   人工智能/机器学习培训

第1章 线性回归 
1 线性回归知识点回顾 
2 单变量线性回归-01读取文件 
3 单变量线性回归-02数据集准备 
4 单变量线性回归-03损失函数 
5 单变量线性回归-04梯度下降函数 
6 单变量线性回归-05可视化损失函数 
7 单变量线性回归-06可视化拟合函数 
8 多变量线性回归-01读取文件 
9 多变量线性回归-02特征归一化 
10 多变量线性回归-03构造数据集 
11 多变量线性回归-04迭代效果比较 
12 正规方程 
第2章 逻辑回归 
13 线性可分-01知识点回顾 
14 线性可分-02数据可视化 
15 线性可分-03损失函数 
16 线性可分-04梯度下降、预测 
17 线性可分-05决策边界 
18 线性不可分-01特征映射 
19 线性可分-02损失函数 
20 线性可分-03梯度下降、准确率 
21 线性可分-04决策边界 
第3章 多分类、神经网络前向传播 
22 逻辑回归-01图片读取 
23 逻辑回归-02损失函数、梯度 
24 逻辑回归-03多分类设计、优化 
25 逻辑回归-04预测 
26 神经网络前向传播-01知识点 
27 神经网络前向传播-01前向传播 
第4章 神经网络反向传播 
28 01-onehotencoder 
29 02-序列化权重参数 
30 03-解序列化权重参数 
31 04-前向传播 
32 05-损失函数 
33 06-梯度 
34 07-优化 
35 08-隐藏层可视化 
第5章 偏差、方差 
36 01-数据导入、可视化、损失函数 
37 02-梯度、优化 
38 03-样本个数vs误差 
39 04-多项式特征、归一化 
40 05-正则化影响 
41 06-正则化参数的选取 
第6章 支持向量机 
42 01-线性可分SVM(1) 
43 02-线性可分SVM(2) 
44 03-线性不可分SVM 
45 04-寻找优参数 
46 05-垃圾邮件分类 
第7章 kmeans and PCA 
47 kmeans-01计算样本所属类别 
48 kmeans-02计算聚类中心点 
49 kmeans-03迭代过程 
50 kmeans-04初始聚类中心选取的影响 
51 kmeans-05图像聚类 
52 pca-01算法实现步 
53 pca-02二维数据降维处理 
54 pca-03图像降维 
第8章 异常检测、推荐系统 
55 异常检测-01步骤 
56 异常检测-02密度函数计算 
57 异常检测-03阈值选取、预测 
58 异常检测-04高维数据的异常检测 
59 推荐系统-01知识点回顾、代价函数 
60 推荐系统-02梯度、归一化、训练 
61 推荐系统-03预测