当前位置：麦风资源网 > 视频教程 > 人工智能 > 机器学习 > [人工智能] 2017年最新机器学习与深度学习从基础入门到实战全套视频教程

[人工智能] 2017年最新机器学习与深度学习从基础入门到实战全套视频教程

视频介绍

  • 从基本的软件安装到必备的Python扩展讲起，然后对机器学习算法一一讲解，同时配合编程实操的实现过程，适合零基础系统学习，配套资料包括讲义作业软件数据都有。深度学习部分基于tensorflow的讲解演练。从安装到神经网络算法的讲解实操，最后配合推荐系统开发实战，用到了spark。

课程大纲

第一部分 机器学习基础与实战

  • 第一章Numpy前导介绍
    • 1.Anconda安装
    • 2.JupyterNoteBook
    • 3.Numpy介绍+ndarry
    • 4.ndarry的shape属性巧算
    • 5.ndarray的常见创建方式
    • 6.NumPy中的数据类型
    • 7.NumPy数据类型2
    • 8.Numpy基本操作
    • 9.索引和切片
    • 10.索引和切片（2）
    • 11.数组转制与轴兑换
    • 12.通用函数
    • 13.np.where函数
    • 14.np.unique函数
    • 15.数组数据文件读取
  • 第二章Pandas前导课程
    • 1.Pandas介绍
    • 2.Series
    • 3.索引对象
    • 4.DataFrame
    • 5.Pandas常用操作（1）
    • 6.Pandas常用操作（2）
    • 7.缺失值处理
    • 8.pandas制图
    • 9.Matplotlib（1）
    • 10.Matplotlib（2）
    • 11.Matplotlib中文输出解决
  • 第三章机器学习（一）
    • 1.机器学习定义及理性认识
    • 2.机器学习商业应用场景.机器学习分类
    • 3.机器学习开发流程
    • 4.模型评估方法和部署
    • 5.线性回归原理推倒过程
    • 6.线性回归基础认识及原理讲解
    • 7.线性回归案例分析
  • 第四章机器学习（二）
    • 1.线性回归案例1.正则项.梯度下降
    • 2.梯度下降方法及回归案例分析
    • 3.线性回归.lasso.ridge.ElasitcNet以及案例分析
    • 4.逻辑回归原理
    • 5.逻辑回归及案例分析
    • 6.softmax回归及案例分析
    • 7.综合案例分析
  • 第五章机器学习三.决策树
    • 1.01决策树.属性分割.信息增益
    • 2.02信息增益的计算.模型评估.ID3.C4.5.CART
    • 3.03决策树案例分析1
    • 4.04决策树案例分析二.过拟合.剪枝分析
    • 5.05bagging.随机森林.随机森林案例分析
    • 6.06GBDT.Adaboost原理讲解
    • 7.07Adaboost案例分析.综合案例分析
  • 第六章机器学习四.SVM支持向量机
    • 1.svm讲解
    • 2.核函数
    • 3.代码讲解(一)
    • 4.代码讲解(二
    • 5.代码讲解(三)
    • 6.代码讲解(四)
  • 第七章机器学习五.聚类分析+贝叶斯
    • 1.聚类的相似性度量（距离公式）
    • 2.聚类思想.kmeans聚类.kmeans聚类应用案例
    • 3.二分kmeans.kmeans++.kmeansII.canopy.mini.batchkm
    • 4.聚类算法的衡量指标及案例实现
    • 5.层次聚类及实现案例
    • 6.密度聚类
    • 7.密度聚类案例实现.谱聚类.谱聚类案例实现
    • 8.不同聚类效果对比实现.文本案例.图片案例
    • 9.朴素贝叶斯原理.案例1.案例2
    • 10.贝叶斯网络
    • 11.贝叶斯网络拓展
  • 第八章机器学习六.EM.HMM.LDA.ML
    • 1.EM算法讲解
    • 2.HMM及中文分词
    • 3.主题模型
    • 4.spark机器学习安装环境
    • 5.spark机器学习离线处理及训练和使用
    • 6.机器学习实时新闻分类

第二部分 深度学习与推荐系统

  • 第一章深度学习概述
    • 1.tensorflow安装
    • 2.深度学习概述
    • 3.深度学习之非线性划分+BP算法
    • 4.Linear线性回归案例
    • 5.手写数字（mnist）
    • 6.手写数字（SimpleNeuralNetwork）
  • 第二章CNN卷积神经网络
    • 1.CNN卷积神经网络
    • 2.卷积神经网络可视化理解
    • 3.CNN案例操作(1)
    • 4.CNN案例操作(2)
  • 第三章RNN循环神经网络
    • 1.RNN概述
    • 2.RNN实例——验证码识别
    • 3.RNN实例——邮件分类
  • 第四章总结
    • 1.深度学习总结
  • 第五章推荐系统
    • 1.机器学习部署方式回顾
    • 2.推荐系统概述及推荐系统效果评估方式讲解
    • 3.协同过滤之基于用户最近邻推荐方式讲解
    • 4.协同过滤之基于用户最近邻推荐案例过程讲解
    • 5.协同过滤之基于物品最近邻推荐原理及案例过程讲解
    • 6.协同过滤之最近邻算法总结一
    • 7.协同过滤之最近邻算法总结二
    • 8.协同过滤之SVD矩阵分解及关联规则推荐方式讲解
    • 9.基于内存的推荐系统讲解
    • 10.基于知识的推荐系统讲解
    • 11.混合推荐系统及推荐系统攻击讲解
    • 12.推荐系统框架介绍及python-recsys简单讲解
    • 13.SparkMLlib相关知识概述
    • 14.SparkMLlib开发环境搭建
    • 15.SparkMLlib案例一：基于豆瓣电影评分数据的协同过滤算法推荐
  • 第六章推荐系统&数据挖掘&人工智能
    • 1.推荐系统知识回顾
    • 2.协同过滤之基于物品最近邻算法SparkCore代码实现一
    • 3.协同过滤之基于物品最近邻算法SparkCore代码实现二
    • 4.协同过滤之基于物品最近邻算法SparkCore代码实现三
    • 5.协同过滤之基于物品最近邻算法SparkCore代码实现四
    • 6.Mahout推荐算法实现API讲解一
    • 7.Mahout推荐算法实现API讲解二
    • 8.Mahout推荐算法实现API讲解三
    • 9.Mahout推荐算法实现API讲解四
    • 10.Mahout推荐算法实现API讲解五
    • 11.数据挖掘基本概念讲解
    • 12.关联规则算法逻辑讲解
    • 13.关联规则算法SparkCore代码实现讲解
    • 14.人工智能总结

赠送多终端加速播放软件(PC/Android/IOS)

试听地址

资源大小

  • 17.35G

加速播放方法

  • 使用赠送的加速播放软件即可1到2.5倍速度播放本视频教程，加快学习速度

视频截图

 


麦风资源网 » [人工智能] 2017年最新机器学习与深度学习从基础入门到实战全套视频教程
admin

admin VIP

分享到：