返回

《机器学习从 0 到 1：人工智能与机器学习实战》

导航
上一页
第1条 至 第50条
下一页
免费
第 1 节 人工智能应用场景：AI+金融
免费
第 2 节 人工智能应用场景：AI+教育
免费
第 3 节 人工智能应用场景：AI 在农业行业的应用
免费
第 4 节 人工智能应用场景：AI 在医疗行业的应用
免费
第 5 节 人工智能应用场景：AI 在汽车行业的应用
免费
第 6 节 人工智能应用场景：AI 在广告行业的应用
免费
第 7 节 全民 AI 是趋势：为什么国家提倡中小学生学习 AI
免费
第 8 节 全民 AI 是趋势：为什么每一位职场人生需要重视 AI
免费
第 9 节 机器学习与深度学习：视觉、自然语言处理以及语音
免费
第 10 节 AI 学习误解一：很强的数学背景
免费
第 11 节 AI 学习误解二：AI 算法很深奥
免费
第 12 节 AI 学习误解三：不转行算法不用学 AI
免费
第 13 节 AI 学习误解四：学好 AI 不难
免费
第 14 节 一元线性回归模型：线性回归的优势
免费
第 15 节 一元线性回归模型：线性回归的应用
免费
第 16 节 一元线性回归模型：目标函数的定义误差
免费
第 17 节 线性回归的目标函数
免费
第 18 节 一元线性回归模型：求解一元函数最优解（上）
免费
第 19 节 一元线性回归模型：求解一元函数最优解（中）
免费
第 20 节 一元线性回归模型：求解一元函数最优解（下）
免费
第 21 节 一元线性回归的最小二乘法：求和符号的解释
免费
第 22 节 一元线性回归的最小二乘法
免费
第 23 节 什么是向量：标量向量矩阵张量
免费
第 24 节 什么是向量：向量介绍
免费
第 25 节 什么是向量：向量基本运算
免费
第 26 节 什么是向量：向量转置
免费
第 27 节 向量矩阵基础：L2 范数
免费
第 28 节 向量矩阵基础：什么是矩阵
免费
第 29 节 向量矩阵基础：矩阵加减
免费
第 30 节 向量矩阵基础：矩阵乘法
免费
第 31 节 向量矩阵基础：矩阵转置
免费
第 32 节 矩阵的求逆：单位矩阵
免费
第 33 节 矩阵的求逆：逆矩阵
免费
第 34 节 多元线性回归：处理多个变量
免费
第 35 节 多元线性回归：多元线性回归的目标函数
免费
第 36 节 多元线性回归：多元线性回归的目标函数（矩阵形态）
免费
第 37 节 对于向量的求导：L2 范数的平方
免费
第 38 节 对于向量的求导：转置的运算
免费
第 39 节 多元线性回归：求多元线性回归的解（上）
免费
第 40 节 多元线性回归：求多元线性回归的解（下）
免费
第 41 节 多元线性回归：考虑数据线性相关的情况
免费
第 42 节 多元线性回归：逆矩阵无法求解时
免费
第 43 节 逆矩阵无法求解时：两种常用的优化方法
免费
第 44 节 线性回归案例：预测 5 天后股价
免费
第 45 节 线性回归案例数据归一化：特征缩放 zscore
免费
第 46 节 线性回归案例数据归一化：特征缩放 maxmin
免费
第 47 节 平方误差和高斯噪声：模型与误差
免费
第 48 节 平方误差和高斯噪声：高斯分布
免费
第 49 节 平方误差和高斯噪声：多元高斯分布
免费
第 50 节 平方误差和高斯噪声：每个样本的似然概率
上一页
第1条 至 第50条
下一页