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101条 至 第150条
下一页
免费
第 101 节 正则与先验的关系：最大后验估计 1
免费
第 102 节 正则和先验的关系：最大似然和最大后验
免费
第 103 节 先验和正则的关系 1：高斯分布
免费
第 104 节 先验和正则的关系 2：拉普拉斯分布
免费
第 105 节 正则和先验的关系：最大后验估计趋近于最大似然
免费
第 106 节 案例 LR 中的调参：模型的超参数
免费
第 107 节 模型的泛化案例：GridSearchcv 的适使用
免费
第 108 节 第五章贝叶斯的应用：垃圾邮件
免费
第 109 节 贝叶斯的应用：垃圾邮件代码
免费
第 110 节 朴素贝叶斯模型的训练：计算单词的概率之垃圾邮件分类
免费
第 111 节 朴素贝叶斯模型的训练：贝叶斯定理
免费
第 112 节 朴素贝叶斯模型的训练：计算预测概率
免费
第 113 节 朴素贝叶斯模型的训练：处理概率为 0 的情况
免费
第 114 节 朴素贝叶斯练习题
免费
第 115 节 朴素贝叶斯的最大似然估计（上）
免费
第 116 节 朴素贝叶斯的最大似然估计（下）
免费
第 117 节 从最大似然角度理解贝叶斯：无约束条件优化
免费
第 118 节 从最大似然角度理解贝叶斯：约束条件优化
免费
第 119 节 朴素贝叶斯目标函数的优化
免费
第 120 节 朴素贝叶斯：生成模型和判别模型的直观区别
免费
第 121 节 朴素贝叶斯：从数据角度理解生成模型和判别模型
免费
第 122 节 决策树的形态与决策边界：节点和边
免费
第 123 节 决策树的形态与决策边界：对应边
免费
第 124 节 理解决策树：决策树的学习（上）
免费
第 125 节 理解决策树：决策树的学习（中）
免费
第 126 节 理解决策树：决策树的学习（下）
免费
第 127 节 不确定性及信息增益：好的特征
免费
第 128 节 信息熵表示不确定性：好的特征减少不确定性
免费
第 129 节 信息熵表示不确定性：不确定性信息熵
免费
第 130 节 信息增益：不确定性数学表示
免费
第 131 节 信息增益：构建决策树
免费
第 132 节 决策树的过拟合：决策树表现与节点数目的关系
免费
第 133 节 决策树的过拟合：用于防止过拟合的方案
免费
第 134 节 对于连续型变量和回归决策树：处理连续性变量
免费
第 135 节 对于连续型变量和回归决策树：训练用于回归的决策树
免费
第 136 节 随机森林：集成模型的优势
免费
第 137 节 随机森林：构建集成模型
免费
第 138 节 随机森林：从方差的角度分析其稳定性
免费
第 139 节 随机森林的核心思想
免费
第 140 节 随机森林的构造（上）
免费
第 141 节 随机森林的构造（中）
免费
第 142 节 随机森林的构造（下）
免费
第 143 节 随机森林的预测
免费
第 144 节 提升树：基于残差的训练方式
免费
第 145 节 基于残差的训练方式：XGBoost 为什么这么火
免费
第 146 节 基于残差的训练方式：XGBoost 学习路径
免费
第 147 节 XGBoost 目标函数的建立：很多棵树共同预测
免费
第 148 节 XGBoost 目标函数的建立：目标函数的构建
免费
第 149 节 XGBoost 目标函数的建立：Additive Training
免费
第 150 节 泰勒展开式与目标函数：目标函数的近似
上一页
第101条 至 第150条
下一页