大数据机器学习夸克网盘资源_网盘资源_夸克网盘资源搜索_全盘搜

• file:修复播放列表.bat
• file:DPL_PYJUN
• file:(1.1)--概述-20190919.pdf
• file:(14.1)--第14讲计算学习理论.pdf
• file:(7.1)--第五章决策树.pdf
• file:(8.1)--第六章Logistic回归.pdf
• file:(2.1)--第一章统计学习及监督学习概论-2019.pdf
• file:[3.5.1]--5.PR曲线.mp4
• file:[3.2.1]--2.交叉验证法.srt
• file:[16.6.1]--5.条件随机场的预测算法.mp4
• file:[16.1.1]--开头.srt
• file:[1.6.1]--6.机器学习的发展历程.srt
• file:[1.5.1]--5.机器学习和统计学习的关系.mp4
• file:[1.3.1]--3.深度学习方法和其它人工智能方法的共性和差异.srt
• file:[14.2.1]--1.计算学习理论的基础知识.mp4
• file:[14.3.1]--2.概率近似正确学习理论.srt
• file:[9.3.1]--3.线性可分支持向量机.mp4
• file:[9.4.1]--4.凸优化问题的基本概念.srt
• file:[7.2.1]--1.决策树模型与学习基本概念.mp4
• file:[8.4.1]--3.模型学习的最优化方法.mp4
• file:[17.2.1]--1.精确推断法：变量消去法和信念传播法.mp4
• file:[17.3.1]--2.近似推断法：MCMC和变分推断.srt
• file:[13.5.1]--4.EM算法在高斯混合模型学习中的应用.srt
• file:[5.3.1]--3.1原型聚类k均值算法.srt
• file:[6.6.1]--6.贝叶斯网络结构学习推断.mp4
• file:[6.5.1]--5.半朴素贝叶斯分类器v.srt
• file:[18.2.1]--2.神经网络的基本概念以及常见的神经网络(一）.srt
• file:[2.10.1]--10.生成模型和判别模型.mp4
• file:[2.7.1]--7.训练误差和测试误差.srt
• file:[12.4.1]--4.Adaboost的实现.srt
• file:(12.5.1)--第八章adaboost.pdf
• file:[20.2.1]--2.神经网络优化的挑战.mp4
• folder:大数据机器学习
• folder:{1}--课程
• folder:{3}--第三章模型性能评估
• folder:{16}--第十六章条件随机场
• folder:{7}--第七章决策树和随机森林
• folder:{8}--第八章逻辑斯谛回归与最大熵模型
• folder:{17}--第十七章概率图模型的学习与推断
• folder:{13}--第十三章EM算法及混合高斯模型
• folder:{6}--第六章贝叶斯分类器及图模型
• folder:{18}--第十八章神经网络和深度学习
• folder:{2}--第二章机器学习基本概念
• folder:{10}--第十章核方法与非线性SVM
• folder:{19}--第十九章深度学习正则化方法
• folder:{10}--10.偏差和方差
• folder:{2}--2.交叉验证法
• folder:{7}--7.代价敏感错误率
• folder:{6}--6.ROC和AUC曲线
• folder:{6}--5.条件随机场的预测算法
• folder:{5}--5.机器学习和统计学习的关系
• folder:{7}--7.大数据机器学习的主要特点
• folder:{2}--1.计算学习理论的基础知识
• folder:{4}--3.有限假设空间
• folder:{3}--2.概率近似正确学习理论
• folder:{7}--svm相关拓展资料
• folder:{3}--3.线性可分支持向量机
• folder:{5}--5.支持向量的确切定义
• folder:{4}--3.模型学习的最优化方法
• folder:{6}--3.4原型聚类层次聚类
• folder:{6}--6.贝叶斯网络结构学习推断
• folder:{3}--3.神经网络的基本概念以及常见的神经网络(二）
• folder:{8}--8.过拟合与模型选择
• folder:{4}--4.Adaboost的实现
• folder:{5}--4.核化线性降维
• folder:{1}--1.深度学习简介和架构设计
• folder:{2}--2.计算图形式的反向传播算法