[人工智能]幂次学院西瓜书视频
幂次学院西瓜书视频 资源介绍
如果你对人工智能跃跃欲试,第一步该怎么办?我们通常的做法是,先收集人工智能有关的信息,或者问问身边正在学习的师兄师姐,寻求他们的方法或建议。
如果你已经开始入门,并且了解一点机器学习这个概念,那么你就应该知道这本书“周志华《机器学习》”,号称人工智能领域中文版开山之作
这是一本面向中文读者的机器学习教科书,更适合大学三年级以上的理工科本科生和研究生,以及具有类似背景的对机器学习感兴趣的人士。为了使尽可能让读者通过本书对机器学习有所了解,作者尽可能少地使用数学知识,同时涵盖机器学习基础知识的各方面。
书中除第1章外, 每章都给出了十道习题. 有的习题是帮助读者巩固本章学习, 有的是为了引导读者扩展相关知识. 一学期的一般课程可使用这些习题, 再辅以两到三个针对具体数据集的大作业. 带星号的习题则有相当难度, 有些并无现成答案, 谨供富有进取心的读者启发思考.
资源目录:
├─西瓜书视频上 半部分 │ ├─基础部分:人工智能python基础 │ │ ├─第1部分 │ │ │ 1.1 为什么使用Python.mp4 │ │ │ 1.2 Python环境配置(Anaconda).mp4 │ │ │ 机器学习与Python-第一章.zip │ │ │ │ │ ├─第2部分 │ │ │ ├─第10讲 Python文件输入输出 │ │ │ │ 2.8 Python文件输入输出.mp4 │ │ │ │ Python文件输入输出.zip │ │ │ │ │ │ │ ├─第11讲 Python基础综合实践 │ │ │ │ 2.9 Python基础综合实践.mp4 │ │ │ │ Python基础综合实践.zip │ │ │ │ │ │ │ ├─第3讲 预备知识与开始前的准备 │ │ │ │ 机器学习与Python_第二章.pdf │ │ │ │ 第三讲 预备知识与开始前的准备.mp4 │ │ │ │ │ │ │ ├─第4讲 python基本语法 │ │ │ │ 1-Python演示.ipynb │ │ │ │ 第四讲 python基本语法.mp4 │ │ │ │ │ │ │ ├─第5讲 python数据类型 │ │ │ │ Python数据类型.zip │ │ │ │ 第五讲.mp4 │ │ │ │ │ │ │ ├─第6讲 python数据运算 │ │ │ │ Python数据运算.zip │ │ │ │ 第六讲:Python数据运算.mp4 │ │ │ │ │ │ │ ├─第7讲 python流程控制 │ │ │ │ Python流程控制.zip │ │ │ │ 第七讲 流程控制.mp4 │ │ │ │ │ │ │ ├─第8讲 Python函数设计 │ │ │ │ 2.6 Python函数设计.mp4 │ │ │ │ Python函数设计.zip │ │ │ │ │ │ │ └─第9讲 Python编程库(包)的导入 │ │ │ 2.7 Python编程库(包)的导入.mp4 │ │ │ Python编程库(包)的导入.zip │ │ │ │ │ └─第3部分 │ │ 3.1 Python数据分析工具简介(Numpy,Scipy,Matplotlib,Pandas,Scikit-Learn).mp4 │ │ 3.2 数据挖掘建模过程(定义挖掘目标,数据取样, 数据探索,数据预处理, 挖掘建模,模型评价)(1).mp4 │ │ 3.2 数据挖掘建模过程(定义挖掘目标,数据取样, 数据探索,数据预处理, 挖掘建模,模型评价).mp4 │ │ 3.3 Python主要数据探索函数(基本统计特征函数,扩展统计特征函数,统计作图函数).mp4 │ │ 3.4 Python主要数据预处理函数.mp4 │ │ 3.5 Python挖掘建模(Python分类预测模型,Python主要聚类分析算法,Python主要时序模型算法).mp4 │ │ 3.6 MNIST手写体数字图片识别.mp4 │ │ 4-mnist.zip │ │ 机器学习与Python_第三章_1.zip │ │ 机器学习与Python_第三章_2.zip │ │ │ ├─基础部分:人工智能数学基础 │ │ ├─1、线代 │ │ │ 10.向量组的线性相关性2.ppt │ │ │ 11.向量组的线性相关性3.ppt │ │ │ 12.向量组的线性相关性4.ppt │ │ │ 13.相似矩阵及二次型.ppt │ │ │ 14. 范数.ppt │ │ │ 15.矩阵分解.pptx │ │ │ 16.主成分分析.ppt │ │ │ 1行列式1.ppt │ │ │ 2行列式2.pdf │ │ │ 2行列式2.ppt │ │ │ 3.矩阵及其运算1.ppt │ │ │ 4.矩阵及其运算2.ppt │ │ │ 5.矩阵的初等变换.ppt │ │ │ 9.向量组的线性相关性1.ppt │ │ │ 第10讲:一小时答疑.mp4 │ │ │ 第11讲:向量组的线性相关性(一).mp4 │ │ │ 第12讲:向量组的线性相关性(二).mp4 │ │ │ 第13讲:线性方程组的解的结构,向量空间.mp4 │ │ │ 第14讲:习题课.mp4 │ │ │ 第15讲:一小时答疑(Day3).mp4 │ │ │ 第16讲:相似矩阵及二次型(一).mp4 │ │ │ 第17讲:相似矩阵及二次型(二).mp4 │ │ │ 第18讲:范数.mp4 │ │ │ 第19讲:矩阵分解.mp4 │ │ │ 第1讲:行列式(一).mp4 │ │ │ 第20讲:主成分分析.mp4 │ │ │ 第21讲:一小时答疑(Day4).mp4 │ │ │ 第2讲:行列式(二).mp4 │ │ │ 第3讲:矩阵及其运算(一).mp4 │ │ │ 第4讲:矩阵及其运算(二).mp4 │ │ │ 第5讲:一小时答疑.mp4 │ │ │ 第6讲:矩阵的初等变换.mp4 │ │ │ 第7讲:矩阵的秩.mp4 │ │ │ 第8讲:线性方程组的解.mp4 │ │ │ 第9讲:习题课.mp4 │ │ │ │ │ └─2、概率论 │ │ 10、一小时答疑(Day6).mp4 │ │ 11、随机向量(一).mp4 │ │ 12、随机向量(二).mp4 │ │ 13、随机变量的数字特征(一).mp4 │ │ 14、随机变量的数字特征(二).mp4 │ │ 15、一小时答疑(Day7).mp4 │ │ 16、随机变量的数字特征(三).mp4 │ │ 17、随机变量的数字特征(四).mp4 │ │ 18、随机变量的数字特征(五).mp4 │ │ 19、极限定理(一).mp4 │ │ 1、概率论与数理统计(一).mp4 │ │ 20、极限定理(二).mp4 │ │ 21、一小时答疑(Day8).mp4 │ │ 2、概率论与数理统计(二).mp4 │ │ 3.随机向量-概率论与数理统计课件.ppt │ │ 3、概率论与数理统计(三).mp4 │ │ 4.随机变量的数字特征-概率论与数理统计课件.ppt │ │ 4、习题课.mp4 │ │ 5.极限定理-概率论与数理统计课件.ppt │ │ 5、一小时答疑.mp4 │ │ 6、随机变量(一).mp4 │ │ 7、随机变量(二).mp4 │ │ 8、随机变量(三).mp4 │ │ 9、习题课.mp4 │ │ 概率论1.ppt │ │ 概率论2.ppt │ │ 概率论3.ppt │ │ 概率论4.ppt │ │ 概率论5.ppt │ │ 概率论6.ppt │ │ 概率论7.ppt │ │ 概率论8.ppt │ │ │ ├─第1部分:开始之前 │ │ 1、开始之前.mp4 │ │ __0__ 开始之前.pptx │ │ │ ├─第2部分:线性代数 │ │ __1__ 线性代数1.pptx │ │ __2__ 线性代数2_线性相关和子空间.pptx │ │ __3__ 线性代数3_范数.pptx │ │ __4.1__ 线性代数4_特殊矩阵.pptx │ │ __5__ 矩阵分解.pdf │ │ 第三讲:线性代数(二).mp4 │ │ 第二讲:线性代数(一).mp4 │ │ 第五讲:线性代数(四).mp4 │ │ 第六讲:线性代数(五).mp4 │ │ 第四讲:线性代数(三).mp4 │ │ │ ├─第3部分:概率论 │ │ __6__ 概率论.pdf │ │ __7__ 概率论.pdf │ │ __8__ 概率论.pdf │ │ 课程回放 - 第七讲:概率论(一).mp4 │ │ 课程回放 - 第九讲:概率论(三).mp4 │ │ 课程回放 - 第八讲:概率论(二).mp4 │ │ 课程回放 - 第十讲:概率论(四).mp4 │ │ │ └─第4部分:机器学习上 │ ├─1 简介 │ │ 机器学习1.1.pdf │ │ 机器学习术语表.pdf │ │ 深度学习1.2.pdf │ │ 第1讲:引言、基本术语、假设空间.mp4 │ │ 第2讲:归纳偏好、发展历程、应用现状.mp4 │ │ │ ├─3 线性模型 │ │ │ 课程回放 - 第10讲:线性判别分析.mp4 │ │ │ 课程回放 - 第11讲:多分类学习,类别不平衡问题.mp4 │ │ │ 课程回放 - 第6讲:基本形式,线性回归.mp4 │ │ │ 课程回放 - 第7讲:对数几率回归(一).mp4 │ │ │ 课程回放 - 第8讲:对数几率回归(二).mp4 │ │ │ 课程回放 - 第9讲:一小时答疑.mp4 │ │ │ │ │ └─资料 │ │ 第10讲.zip │ │ 第11讲.zip │ │ 第6讲.zip │ │ 第8讲.zip │ │ 第9讲.zip │ │ │ ├─5 神经网络 │ │ 1、神经元模型(1).zip │ │ 2、误差逆向传播.zip │ │ 3、CNN.zip │ │ 4、初识TensorFlow.zip │ │ 5.1 神经元模型.mp4 │ │ 5.10 一小时答疑.mp4 │ │ 5.2 感知机与多层网络.mp4 │ │ 5.3 误差逆传播算法.mp4 │ │ 5.4 一小时答疑.mp4 │ │ 5.5 其他常见神经网络(一)Boltzmann机 、深度置信神经网络DBN.mp4 │ │ 5.6 卷积神经网络CNN.mp4 │ │ 5.7 一小时答疑.mp4 │ │ 5.8 初识TensorFlow(一).mp4 │ │ 5.9 初识TensorFlow(二).mp4 │ │ │ ├─7 贝叶斯分类器 │ │ 7.1 贝叶斯分类器—初识贝叶斯分类器.mp4 │ │ 7.10 一小时答疑.mp4 │ │ 7.2 贝叶斯分类器—最大似然估计和贝叶斯参数估计.mp4 │ │ 7.3 一小时答疑.mp4 │ │ 7.4 贝叶斯分类器—最大似然估计和贝叶斯参数估计(补充).mp4 │ │ 7.5 朴素贝叶斯分类器,半朴素贝叶斯分类器.mp4 │ │ 7.6 贝叶斯网(结构,学习,推断).mp4 │ │ 7.7 一小时答疑.mp4 │ │ 7.8 贝叶斯分类器 - EM算法.mp4 │ │ 7.9 贝叶斯分类器 - EM实战.mp4 │ │ ml_14_20180825.zip │ │ ml_15_20180901.zip │ │ ml_16_20180908.zip │ │ │ └─9 聚类分析 │ 9.1 聚类任务.mp4 │ 9.2 聚类任务、性能度量、距离计算 - 实战.mp4 │ 9.3 一小时答疑.mp4 │ 9.4 原型聚类(k均值算法、学习向量量化、高斯混合聚类)(一).mp4 │ 9.5 原型聚类(k均值算法、学习向量量化、高斯混合聚类)(二).mp4 │ 9.6 原型聚类(k均值算法、学习向量量化、高斯混合聚类) - 实战.mp4 │ 9.7 密度聚类.mp4 │ 9.8 层次聚类.mp4 │ ml_20_20181005_clustering.ipynb │ ml_20_20181005_聚类_聚类任务_性能度量_距离计算.ppt │ ml_21_20181013_kmeans.ipynb │ ml_21_20181013_聚类_原型聚类.ppt │ ml_22_20181020_密度聚类_层次聚类.ppt │ └─西瓜书视频下 半部分 └─第4部分:机器学习 ├─10 降维与度量学习 │ 10.1 k近邻算法.mp4 │ 10.2 K-D Tree.mp4 │ 10.3 MDS.mp4 │ 10.4 PCA.mp4 │ 10.5 流形学习(一).mp4 │ 10.6 流形学习(二).mp4 │ 10.7 度量学习(一) .mp4 │ 10.8 度量学习(二).mp4 │ ml_23_20181027_K近邻算法.ppt │ ml_24_20181103_MDS.pptx │ ml_24_20181103_PCA.zip │ ml_26_20181117_降维-度量学习.ppt │ 流形学习.ppt │ ├─11 XGBOOST │ 11.1 XGBoost(一).mp4 │ 11.2 XGBoost(二).mp4 │ 11.3 XGBoost(三).mp4 │ ml_27_20181124_XGBoost.pptx │ ├─12 特征选择与稀疏学习 │ 12.1 特征选择与稀疏学习(一).mp4 │ 12.2 特征选择与稀疏学习(二).mp4 │ ml_28_20181201_特征选择与稀疏学习.pptx │ ├─13 计算学习理论 │ 1. 计算学习理论.ppt │ 13.1 计算学习理论(一).mp4 │ 13.2 计算学习理论(二).mp4 │ ├─14 半监督学习 │ 1.半监督学习.pptx │ 14.1 半监督学习(一).mp4 │ 14.10 半监督学习(十)半监督聚类.mp4 │ 14.2 半监督学习(二).mp4 │ 14.3 半监督学习(三)未标记样本.mp4 │ 14.4 半监督学习(四)生成式方法.mp4 │ 14.5 半监督学习(五)实战.mp4 │ 14.6 半监督学习(六)半监督SVM.mp4 │ 14.7 半监督学习(七)图半监督学习.mp4 │ 14.8 半监督(八)实战.mp4 │ 14.9 半监督学习(九)基于分歧的方法.mp4 │ 2.半监督学习.pptx │ 3.半监督学习(1).pptx │ e3 Label Propagation digits Demonstrating performance.rar │ semi.rar │ 半监督学习1_2.zip │ ├─15 概率图模型 │ 1.概率图模型.pdf │ 15.1 HMM.rar │ 15.1 隐马尔科夫模型.mp4 │ 15.2 概率图模型-马尔克夫随机场.mp4 │ 15.3 精确推断.mp4 │ 15.4 近似推断.mp4 │ 15.5 概率计算问题 直接计算算法 前向算法.mp4 │ 15.6 概率计算问题 前向算法.mp4 │ 15.7 概率计算问题 后向算法.mp4 │ 15.8 概率计算问题 学习算法.mp4 │ 15.8.学习问题 预测问题.pdf │ 15.9 HMM.rar │ 15.9 概率计算问题 预测问题 .mp4 │ 2.概率图模型.pdf │ 3.概率计算问题.pdf │ ├─16 规则学习 │ 16.1 基本概念 贯序覆盖.mp4 │ 16.1.规则学习.pptx │ 16.2 剪枝优化.mp4 │ 16.3 决策树.mp4 │ 16.3.决策树分类.ppt │ 16.4 一阶规则学习.mp4 │ 16.4.规则学习.pptx │ 16.5 归纳逻辑程序设计(最小一般泛化,逆归结).mp4 │ 16.6 归纳逻辑程序设计(最小一般泛化,逆归结).mp4 │ 2.规则学习-剪枝优化.flv │ ├─17 增强学习 │ 17.1 强化学习 .ppt │ 17.1 强化学习引言、发展史.mp4 │ 17.2 强化学习简介.mp4 │ 17.3 强化学习方法.mp4 │ 17.4 强化学习算法分类 TD算法.mp4 │ 17.4.强化学习.ppt │ 17.5 Qlearning.mp4 │ 17.5 Q_learning.ipynb │ ├─2 模型评估与选择 │ │ 第六讲:性能度量.mp4 │ │ 课程回放 - 第三讲:经验误差与过拟合.mp4 │ │ 课程回放 - 第五讲:性能度量(错误率与精度,查准率,查全率与F1,ROC与AUC,代价敏感错误率与代价曲线).mp4 │ │ 课程回放 - 第四讲:评估方法(留出法,交叉验证法,自助法,调参与最终模型).mp4 │ │ │ ├─2 │ │ │ 3.回归分析.pdf │ │ │ LinearRegression1.ipynb │ │ │ pga.csv │ │ │ 梯度下降.ipynb │ │ │ │ │ └─__MACOSX │ │ ._3.回归分析.pdf │ │ ._LinearRegression1.ipynb │ │ ._pga.csv │ │ ._梯度下降.ipynb │ │ │ └─资料 │ 模型评估与选择2.1-2.pdf │ 模型评估与选择2.1-2_code.rar │ ├─4 决策树 │ │ 第13讲.zip │ │ 第15讲.zip │ │ 课程回放 - 第一十三讲:划分选择(信息增益,增益率,基尼指数).mp4 │ │ 课程回放 - 第一十二讲:基本流程.mp4 │ │ 课程回放 - 第一十五讲:连续与缺失值(连续值处理,缺失值处理).mp4 │ │ 课程回放 - 第一十四讲:剪枝处理(预剪枝,后剪枝).mp4 │ │ │ ├─第十三讲 │ │ 6.decision tree.ipynb │ │ 6.决策树分类.pdf │ │ watermelon_3a.csv │ │ │ └─第十五讲 │ │ 7c4.5.pdf │ │ cart.ipynb │ │ │ └─__MACOSX │ ._7c4.5.pdf │ ._cart.ipynb │ ├─6 支持向量机 │ 6.1 支持向量机(一).mp4 │ 6.2 支持向量机(二).mp4 │ 6.3 一小时答疑.mp4 │ 6.4 支持向量机(三).mp4 │ 6.5 支持向量机(四).mp4 │ 6.6 一小时答疑.mp4 │ 6.7 支持向量机(五).mp4 │ 6.8 支持向量机(六).mp4 │ 6.9 一小时答疑.mp4 │ ml_11_20180804.zip │ ml_12_20180811.zip │ ml_13_20180818_0.zip │ ml_13_20180818_1.zip │ └─8 集成学习 8.1 集成学习 - 第一部分 - 基础.mp4 8.10 Bagging与随机森林实战.mp4 8.2 集成学习 - 第一部分 - 实战.mp4 8.3 一小时答疑.mp4 8.4 Boosting.mp4 8.5 Adaboost.mp4 8.6 Boosting与Adaboost - 实战.mp4 8.7 一小时答疑.mp4 8.8 Bagging与随机森林.mp4 8.9 分类与回归树.mp4 ml_17_20189015.zip ml_18_20180922_Adaboost.ipynb ml_18_20180922_adaboost.ppt ml_18_20180922_Boosting.ppt ml_19_20180929_Bagging与随机森林.pptx ml_19_20180929_code.zip ml_19_20180929_分类与回归树.ppt
幂次学院西瓜书视频 下载地址
1. 本站所有资源来源于用户上传和网络,如侵犯到您的权益请使用邮件联系管理员!
2. 分享目的仅供大家学习和交流,请不要用于商业用途!
3. 如果你也有好资源,可以到审核区发布,分享有积分奖励和额外收入!
4. 如有链接无法下载、失效或广告,请留言或联系管理员处理!
Kindle电子书mobi、epub、azw3、PDF电子书免费下载推送 » [人工智能]幂次学院西瓜书视频
2. 分享目的仅供大家学习和交流,请不要用于商业用途!
3. 如果你也有好资源,可以到审核区发布,分享有积分奖励和额外收入!
4. 如有链接无法下载、失效或广告,请留言或联系管理员处理!
Kindle电子书mobi、epub、azw3、PDF电子书免费下载推送 » [人工智能]幂次学院西瓜书视频