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51条 至 第100条
下一页
免费
第 51 节 平方误差和高斯噪声：所有样本的似然概率
免费
第 52 节 逻辑回归中的条件概率：逻辑回归中的应用
免费
第 53 节 逻辑回归中的条件概率：理解基准
免费
第 54 节 逻辑回归中的条件概率：分类问题（上）
免费
第 55 节 逻辑回归中的条件概率：分类问题（下）
免费
第 56 节 逻辑回归中的条件概率：有效的概率需要具备的性质
免费
第 57 节 逻辑回归中的条件概率：逻辑函数
免费
第 58 节 逻辑回归中的条件概率：样本条件概率（上）
免费
第 59 节 逻辑回归中的条件概率：样本条件概率（下）
免费
第 60 节 逻辑回归的目标函数：最大似然估计
免费
第 61 节 逻辑回归的目标函数：最大似然估计之硬币案例
免费
第 62 节 逻辑回归的目标函数：所有样本的似然函数
免费
第 63 节 逻辑回归的目标函数：逻辑回归的最大似然估计（上）
免费
第 64 节 逻辑回归的目标函数：逻辑回归的最大似然估计（中）
免费
第 65 节 逻辑回归的目标函数：逻辑回归的最大似然估计（下）
免费
第 66 节 逻辑回归：求解函数的最大小值
免费
第 67 节 逻辑回归：梯度下降法 1
免费
第 68 节 逻辑回归：梯度下降法 2
免费
第 69 节 逻辑回归：梯度下降法 3
免费
第 70 节 逻辑回归：梯度下降法 4
免费
第 71 节 梯度下降法：对于逻辑函数的求导
免费
第 72 节 梯度下降法：求解 W
免费
第 73 节 梯度下降法：求解 B
免费
第 74 节 梯度下降法：全局和局部最优解
免费
第 75 节 梯度下降法的缺点
免费
第 76 节 随机梯度下降法
免费
第 77 节 小批量梯度下降法
免费
第 78 节 随机梯度下降法：比较不同的算法
免费
第 79 节 随机梯度下降法：比较不同的算法（鞍点）
免费
第 80 节 逻辑回归案例：数据预处理之独热编码
免费
第 81 节 逻辑回归案例：模型评估之精确率和召回率
免费
第 82 节 逻辑回归案例模型评估：F1score
免费
第 83 节 模型的泛化：逻辑回归的参数
免费
第 84 节 模型的泛化：当数据线性可分的时候
免费
第 85 节 控制参数的大小1：添加 L2 正则
免费
第 86 节 控制参数的大小：梯度下降法
免费
第 87 节 控制参数的大小：lambda 的影响
免费
第 88 节 模型的泛化：什么是过拟合
免费
第 89 节 模型的泛化：构建泛化能力强的模型
免费
第 90 节 模型的泛化：模型的过拟合
免费
第 91 节 模型复杂度和过拟合：模型的复杂度
免费
第 92 节 模型复杂度和过拟合：如何避免过拟合
免费
第 93 节 如何防止过拟合现象：正则的作用
免费
第 94 节 L1L2 正则：常见的两种正则
免费
第 95 节 L1L2 正则的本质区别：L1L2 的几何意义
免费
第 96 节 L1 的不足之处：计算上的挑战
免费
第 97 节 L1 的不足之处：特征选择面临的问题
免费
第 98 节 L1 与 L2 正则：交叉验证 1
免费
第 99 节 L1 和 L2 的正则：交叉验证 2——k 折
免费
第 100 节 L1 和 L2 的正则：交叉验证 3——留一
上一页
第51条 至 第100条
下一页