- 1.深度学习介绍
- 2.神经网络的基础
- 3.浅层神经网络
- 4.深层神经网络
- 5.梯度下降算法改进算法
- 6.正则化
- 7. 线性回归的推导
- 8.线性回归的基本使用
- 9.线性回归的应用
- 10.正规方程-二元一次方程
- 12.正规方程-八元一次方程总结
- 13.正规方程-正规方程推导
- 14.梯度下降-波士顿房价预测
- 15.梯度下降-无约束最优化
- 16.梯度下降-概念
- 17.梯度下降-公式
- 18.梯度下降-学习率梯度下降步骤
- 19.梯度下降-代码模拟梯度下降
- 20.梯度下降-模拟可视化
- 21.梯度下降-三种不同梯度下降方式
- 22.梯度下降-梯度更新公式
- 23.梯度下降-BGD更新公式
- 24.梯度下降-BGD代码演示
- 25.梯度下降-SGD梯度下降代码演示
- 26.梯度下降-归一化作用和意义
- 27.梯度下降-最大值最小值归一化
- 28.梯度下降-Z-score标准化
- 29.梯度下降-总结
- 30.梯度下降-正则化
- 31.梯度下降-套索回归-原理
- 32.梯度下降-套索回归原理
- 33.梯度下降-套索回归代码应用举例
- 34.梯度下降-Ridge岭回归原理介绍
- 35.梯度下降-Ridge代码演示使用
- 36.梯度下降-弹性网络代码演练
- 37.降维算法-NMF原理
- 38.梯度下降-多项式概念
- 39.梯度下降-多项式代码演示
- 40.降维算法-NMF代码实现
- 41.降维算法-LLE原理
- 42.决策树-可视化-软件安装
- 43.降维算法-LLE代码实现
- 44.决策树-概述
- 45.决策树-使用
- 46.决策树-可视化操作
- 47.决策树-信息熵
- 48.决策树-未分裂-信息熵计算
- 49.决策树-裂分条件的计算
- 50.决策树-筛选最佳裂分条件
- 51.决策树-继续叶节点分裂
- 52.决策树-分裂指标
- 53.决策树-gini系数裂分
- 54.决策树-剪枝操作
- 55.决策树-筛选超参数
- 56.决策回归树-概念
- 57.决策回归树树-案例说明
- 58.决策回归树-裂分mse计算
- 59.决策回归树-最佳裂分点计算
- 60.决策回归树-value计算
- 61.决策回归树-糖尿病案例VS线性回归
- 62.集成算法-概述
- 63.集成算法-不同方式和步骤
- 64.梯度下降-天猫双十一销量预测【一】
- 65.梯度下降-天猫双十一销量预测【二】
- 66.逻辑斯蒂回归-概念概述
- 67.逻辑斯蒂回归-代码应用举例
- 68.逻辑斯蒂回归-二分类-概率计算
- 69.逻辑斯蒂回归-多分类-ovr-概率计算
- 70.逻辑斯蒂回归-多分类-multinomial-概率计算
- 71.逻辑斯蒂回归-多分类思想
- 72.逻辑斯蒂回归-损失函数
- 73.XGBoost-筛选最佳模型数量-回顾
- 74.XGBoost-筛选最佳参数实战
- 75.SVM-什么是支持向量机
- 76.VM-分类应用
- 77.SVM-超平面可视化
- 78.SVM-构建目标函数【一】
- 79.SVM-目标函数【二】
- 80.SVM-线性分类-分界线绘制
- 81.SVM-拉格朗日乘子法
- 82.SVM-KKT条件介绍【一】
- 83.SVM-KKT条件介绍
- 84.SVM-KKT条件【三】
- 85.SVM-对偶问题
- 86.SVM-非线性核函数
- 87.SVM-核函数介绍
- 88.SVM-核函数应用
- 89.SVM-非线性核函数案例
本课程教学内容涵盖信息图形和视觉传达设计的基础理论、基本原则和方法,以及相关制图标准和规范;课程以“为什么学-学什么-如何学”的逻辑主线展开,涉及标识简历、统计图表、概念示意图和地图等信息图示类型,通过经典案例讲解和学生作品赏析,掌握数据、概念等各类主客观信息的图形表达技巧。
线性回归 (Linear Regression):用于预测连续型变量的算法,通过拟合一个线性模型来描述自变量和因变量之间的关系。
逻辑回归 (Logistic Regression):用于预测二分类问题的算法,通过拟合一个逻辑函数来估计因变量为某一类别的概率。
决策树 (Decision Tree):一种树状模型,通过一系列的决策节点和叶节点来对数据进行分类或回归。
随机森林 (Random Forest):一种集成学习算法,通过多个决策树组成的森林来进行分类或回归,提高模型的准确性和泛化能力。
支持向量机 (Support Vector Machine):一种二分类模型,通过在特征空间中构建最优超平面来实现数据的分类。
朴素贝叶斯 (Naive Bayes):基于贝叶斯定理和特征独立性假设的分类算法,常用于文本分类和垃圾邮件过滤等任务。
K均值聚类 (K-Means Clustering):一种无监督学习算法,通过将数据点划分为K个簇来实现聚类。
主成分分析 (Principal Component Analysis):一种降维技术,通过线性变换将高维数据映射到低维空间,保留最重要的特征。
神经网络 (Neural Networks):一种模仿人类神经系统的机器学习模型,通过多层神经元构建复杂的非线性模型。
深度学习 (Deep Learning):一种基于神经网络的机器学习技术,通过多层神经网络来学习更加复杂的模式和特征。深度学习在图像识别、语音识别等领域取得了巨大成功。