源码简介：
【课程内容】
01-上节回顾
01-人工智能概述
02-什么是机器学习
02-线性模
02-转换器与预估
03-knn算法
03-损失函数
03-机器学习算法分类
04-优化方法1-正规方程
04-机器学习开发流
04-模型选择与调
05-facebook案例流程分析
05-优化方法2-梯度下降
05-学习框架和资料介
06-facebook案例代码实现
06-可用数据
06-正规方程与梯度下降对
07-sklearn数据集使
07-朴素贝叶斯算法原
07-梯度下降优化
08-字典特征抽取
08-朴素贝叶斯算法对文本分类
08-过拟合与欠拟
09-岭回
09-文本特征抽取countvectorizer
09-认识决策
10-中文文本特征抽取
10-决策树算法对鸢尾花分
10-逻辑回归原理
11-文本特征抽取tfidfvevtorizer
11-泰坦尼克号乘客分类案例流程分
11-逻辑回归对癌症分
12-数据预处 归一
12-泰坦尼克号案例代码实
12-精确率、召回率、F1-score
13-roc曲线与Auc指标
13-数据预处 标准
13-随机森林
14-什么是降维
14-总结
14-模型保存与加
15-kmeans算法原理
15-删除低方差特征与相关系数
16-主成分分
16-聚类的模型评
17-instacart降维案例
18-总结
截图：
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
