联系客服
北风网人工智能全面系统学习课程 推荐系统+深度学习+机器学习......
=================课程目录================= (1)\人工智能之机器学习;目录中文件数:23个 ├─(1) 第一章:Numpy前导介绍1-10.mp4 ├─(2) 第一章:Numpy前导介绍11.mp4 ├─(3) 第一章:Numpy前导介绍12.mp4 ├─(4) 第一章:Numpy前导介绍13-15.mp4 ├─(5) 第七章 机器学习五-聚类分析+贝叶斯11.mp4 ├─(6) 第七章:机器学习五-聚类分析+贝叶斯1.mp4 ├─(7) 第七章:机器学习五-聚类分析+贝叶斯2-4.mp4 ├─(8) 第七章:机器学习五-聚类分析+贝叶斯5-7.mp4 ├─(9) 第七章:机器学习五-聚类分析+贝叶斯8.mp4 ├─(10) 第三章 机器学习(一)1-7.mp4 ├─(11) 第二章:Pandas前导课程1-4.mp4 ├─(12) 第二章:Pandas前导课程5-7.mp4 ├─(13) 第二章:Pandas前导课程8-11.mp4 ├─(14) 第五章 机器学习三-决策树1-7.mp4 ├─(15) 第八章 机器学习六-EM-HMM-LDA-ML4-6.mp4 ├─(16) 第八章:机器学习六-EM-HMM-LDA-ML1.mp4 ├─(17) 第八章:机器学习六-EM-HMM-LDA-ML2-4.mp4 ├─(18) 第六章 机器学习四-SVM支持向量机1-6.mp4 ├─(19) 第四章:机器学习(二)1.mp4 ├─(20) 第四章:机器学习(二)2.mp4 ├─(21) 第四章:机器学习(二)3-5.mp4 ├─(22) 第四章:机器学习(二)5-6.mp4 ├─(23) 第四章:机器学习(二)7.mp4 (2)\人工智能之深度学习+推荐系统;目录中文件数:12个 ├─(24) 第三章 RNN循环神经网络1-3.mp4 ├─(25) 第一章:深度学习概述1-2.mp4 ├─(26) 第一章:深度学习概述3-4.mp4 ├─(27) 第一章:深度学习概述5-6.mp4 ├─(28) 第二章 CNN 卷积神经网络1-4.mp4 ├─(29) 第五章 推荐系统1-6.mp4 ├─(30) 第五章 推荐系统7-8.mp4 ├─(31) 第五章 推荐系统9-15.mp4 ├─(32) 第六章 推荐系统&数据挖掘&人工智能1-2.mp4 ├─(33) 第六章:推荐系统&数据挖掘&人工智能3-8.mp4 ├─(34) 第六章:推荐系统&数据挖掘&人工智能9-14.mp4 ├─(35) 第四章 总结.mp4 (3)\人工智能资料和作业;目录中文件数:0个 (4)\人工智能资料和作业\人工智能之机器学习;目录中文件数:0个 (5)\人工智能资料和作业\人工智能之深度学习+推荐系统;目录中文件数:2个 ├─(36) 必看.txt ├─(37) 更多关注威信公众号“集智小屋”.jpg (6)\人工智能资料和作业\人工智能之机器学习\作业;目录中文件数:3个 ├─(38) iris.rar ├─(39) 第五章 机器学习(二).docx ├─(40) 第八章 机器学习五-聚类分析+贝叶斯.docx (7)\人工智能资料和作业\人工智能之机器学习\资料;目录中文件数:13个 ├─(41) 20170604代码.rar ├─(42) AI_数学基础.rar ├─(43) Numpy课程文档.zip ├─(44) Pandas.zip ├─(45) 代码资料.rar ├─(46) 作业.rar ├─(47) 决策树课程资料.rar ├─(48) 回归datas.rar ├─(49) 聚类代码%2b数据.rar ├─(50) 课件.zip ├─(51) 课程资料1.rar ├─(52) 课程资料2.rar ├─(53) 贝叶斯.rar (8)\人工智能资料和作业\人工智能之深度学习+推荐系统\作业;目录中文件数:2个 ├─(54) xiaoshuo.zip ├─(55) 第四章 总结.docx (9)\人工智能资料和作业\人工智能之深度学习+推荐系统\资料;目录中文件数:15个 ├─(56) 01_随堂课件 (1).zip ├─(57) 01_随堂课件.zip ├─(58) 04_深度学习总结.zip ├─(59) 04_软件工具01.zip ├─(60) 04_软件工具02.zip ├─(61) 04_软件工具03.zip ├─(62) 04_软件工具04.zip ├─(63) 05_随堂代码 (1).zip ├─(64) 05_随堂代码.zip ├─(65) 06_参考资料 (1).zip ├─(66) 06_参考资料.zip ├─(67) CNN.zip ├─(68) pdf资料.zip ├─(69) RNN.zip ├─(70) 深度学习概述.zip

机器学习 2019-03-31 158人浏览 2人下载

人工智能机器学习全新升级版I......
教程内容: 1. 本课程的教学重心是从数学层面理解并掌握推导经典的机器学习算法,从历史到细节深入了解机器学习的基本思想和各种算法的具体思路与方法。 2. 强化数学、概率论、数理统计的基础知识,夯实机器学习的基础必备知识。 3. 本课程将提供严谨的数学推导过程文档,帮助学员更好地掌握算法推导(面试必备) 4. 课程中讲设置随堂测验环节,帮助学员在课中巩固和理解重要知识点。 5. 课程将提供学员经过老师精心整理的配套学习资料和经典论文,在课程的不同阶段给学员用来复习和学习。 教程目录: 第一课:机器学习的数学基础 1. 机器学习的数学基础 a. 函数与数据的泛化 b. 推理与归纳 (Deduction and Induction) 2. 线性代数(Linear Algebra) a. 向量与矩阵 (Vector and Matrix) b. 特征值与特征向量 c. 向量与高维空间 d. 特征向量(Feature Vector) 3. 概率与统计(Probability and Statistics) a. 条件概率与经典问题 (Conditional Probability) b. 边缘概率 (Marginal Probability) 4. 作业/实践: 财宝问题的概率计算程序 第二课:机器学习的数学基础 1. 统计推理(Statistical Inference) a. 贝叶斯原理与推理 (Bayesian Theorem) b. 极大似然估计 (Maximum Likelihood) c. 主观概率(Subjective Probability) d. 最大后延概率(MAP) 2. 随机变量(Random Variable) a. 独立与相关 (Independence) b. 均值与方差 (Mean and Variance) c. 协方差 (Co-Variance) 3. 概率分布(Probability Distributions) 4. 中心极限定理(Central Limit Theorem) 5. 作业/实践: 概率分布采样与不同随机变量之间协方差计算 第三课:机器学习的数学基础 1. 梯度下降(Gradient Descent) a. 导数与梯度(Derivative and Gradient) b. 随机梯度下降(SGD) c. 牛顿方法(Newton's Method) 2. 凸函数(Convex Function) a. Jensen不等式(Jensen's Inequality) b. 拉格朗日乘子(Lagrange Multiplier) 3. 作业/实践: 利用牛顿方法求解给定的方程 第四课:机器学习的哲学(Philosophy of ML) 1. 算法的科学(Science of Algorithms) a. 输入与输出的神话(Mystery of I/O) b. 奥卡姆剃刀(Occam’s Razor) 2. 维数的诅咒(Curse of Dimensionality) a. 高维的几何特性 (Geometric Properity ) b. 高维空间流形(High-dimensional Manifold) 3. 机器学习与人工智能(Machine learning and AI) 4. 机器学习的范式(Paradigms of ML) 第五课:经典机器学习模型(Classical ML Models) 1. 样本学习(Case-Based Reasoning) a. K-近邻(K-Nearest Neighbors) b. K-近邻预测(KNN for Prediction) c. 距离与测度(Distance and Metric) 2. 朴素贝叶斯(Naïve Bayes Classifier) a. 条件独立(Conditional Independence) b. 分类(Naive Bayes for Classification) 3. 作业/实践:垃圾邮件分类的案例 第六课:经典机器学习模型(Classical ML Models) 1. 决策树(Decision Tree Learning) a. 信息论与概率 b. 信息熵(Information Entropy) c. ID3, CART算法 2. 决策树剪枝(Pruning) 3. 软决策树(Soft Decision Tree) 4. 决策树与规则(DT and Rule Learning) 5. 作业/实践:决策树分类实验 第七课:经典机器学习模型(Classical ML Models) 1. 集成学习(Ensemble learning) a. Bagging and Boosting b. AdaBoost c. 误差分解(Bias-Variance Decomposition) d. 随机森林(Boosting and Random Forest) 2. 模型评估(Model Evaluation) a. 交叉验证(Cross-ValIDAtion) b. ROC (Receiver Operating Characteristics) c. Cost-Sensitive Learning 3. 作业/实践:随机森林与决策树分类实验的比较 第八课:线性模型(Linear Models) 1. 线性模型(Linear Models) a. 线性拟合(Linear Regression) 2. 最小二乘法(LMS) b. 线性分类器(Linear Classifier) 3. 感知器(Perceptron) 4. 对数几率回归(Logistic Regression) 5. 线性模型的概率解释 (Probabilistic Interpretation) 6. 作业/实践:对数几率回归的文本情感分析中应用 第九课:线性模型(Linear Models) 1. 线性判别分析 (Linear Discrimination Analysis) 2. 约束线性模型 (Linear Model with Regularization) a. LASSO b. Ridge Regression 3. 稀疏表示与字典学习 a. Sparse Representation & Coding b. Dictionary Learning 第十课:核方法(Kernel Methods) 1. 支持向量机SVM(Support Vector Machines) a. VC-维(VC-Dimension) b. 最大间距(Maximum Margin) c. 支撑向量(Support Vectors) 2. 作业/实践:SVM不同核函数在实际分类中比较 第十一课:核方法(Kernel Methods) 1. 对偶拉格朗日乘子 2. KKT条件(KKT Conditions) 3. Support Vector Regression (SVR) 4. 核方法(Kernel Methods) 第十二课:统计学习(Statistical Learning) 1. 判别模型与生成模型 a. 隐含变量(Latent Variable) 2. 混合模型(Mixture Model) a. 三枚硬币问题(3-Coin Problem) b. 高斯混合模型(Gaussian Mixture Model) 3. EM算法(Expectation Maximization) a. 期望最大(Expectation Maximization) b. 混合模型的EM算法(EM for Mixture Models) c. Jensen 不等式 (Jensen's Inequality) d. EM算法推导与性能 (EM Algorithm) 第十三课:统计学习(Statistical Learning) 1. 隐马可夫模型(Hidden Markov Models) a. 动态混合模型(Dynamic Mixture Model) b. 维特比算法(Viterbi Algorithm) c. 算法推导 (Algorithm) 2. 条件随机场(Conditional Random Field) 第十四课:统计学习(Statistical Learning) 1. 层次图模型(Hierarchical Bayesian Model) a. 概率图模型 (Graphical Model) b. 从隐含语义模型到p-LSA (From LSA to P-LSA) c. Dirichlet 分布与特点(Dirichlet Distribution) d. 对偶分布(Conjugate Distribution) 第十五课:统计学习(Statistical Learning) 1. 主题模型(Topic Model – LDA) a. Latent Dirichlet Allocation b. 文本分类(LDA for Text Classification) 2. 中文主题模型(Topic Modeling for Chinese) 3. 其他主题模型(Other Topic Variables) 第十六课:无监督学习(Unsupervised Learning) 1. K-均值算法(K-Means) a. 核密度估计(Kernel Density Estimation) b. 层次聚类(Hierarchical Clustering) 2. 蒙特卡洛(Monte Carlo) a. 蒙特卡洛树搜索(Monte Carol Tree Search) b. MCMC(Markov Chain Monte Carlo) c. Gibbs Sampling 第十七课:流形学习(Manifold Learning) 1. 主成分分析(PCA) a. PCA and ICA 2. 低维嵌入(Low-Dimensional Embedding) a. 等度量映射(Isomap) b. 局部线性嵌入(Locally Linear Embedding) 第十八课:概念学习(Concept Learning) 1. 概念学习(Concept Learning) a. 经典概念学习 b. One-Short概念学习 2. 高斯过程学习(Gaussian Process for ML) c. Dirichlet Process 第十九课:强化学习(Reinforcement Learning) 1. 奖赏与惩罚(Reward and Penalty) a. 状态空间 (State-Space Model) b. Q-学习算法 (Q-Learning) 2. 路径规划 (Path Planning) 3. 游戏人工智能 (Game AI) 4. 作业/实践:小鸟飞行游戏的自动学习算法 第二十课:神经网络 1. 多层神经网络 a. 非线性映射(Nonlinear Mapping) b. 反向传播(Back-propagation) 2. 自动编码器(Auto-Encoder)

机器学习 2019-01-30 287人浏览 6人下载

Python机器学习算法 升级版课程......
>本课程特点是从数学层面推导最经典的机器学习算法,以及每种算法的示例和代码实现(Python)、如何做算法的参数调试、机器学习算法的应用场景介绍等。 【课程内容】 数学基础1 - 数学分析 机器学习的角度看数学复习数学分析直观解释常数e导数/梯度与SGDTaylor展式凸函数概率论基础古典概型贝叶斯公式常见概率分布 数学基础2 - 数理统计与参数估计 统计量期望/方差/偏度/峰度协方差(矩阵)和相关系数独立和不相关大数定律中心极限定理中心矩/原点矩/矩估计深刻理解最大似然估计过拟合的数学原理偏差方差二难 数学基础3 - 矩阵和线性代数 线性代数是有用的:以SVD为例马尔科夫模型和矩阵乘法、状态转移矩阵矩阵和向量组特征值和特征向量对称阵、正交阵、正定阵数据白化及其应用向量对向量求导标量对向量求导标量对矩阵求导 数学基础4 - 凸优化 凸集的严格数学表达凸集保凸运算分割超平面/支撑超平面凸函数/上境图Jensen不等式Fenchel不等式K-L散度凸优化共轭函数和对偶函数鞍点解释用对偶方法求解最小二乘问题强对偶KKT条件 Python基础及其数学库的使用 解释器Python2.7与IDE:Anaconda/PycharmPython基础:列表/元组/字典/类/文件numpy/scipy/matplotlib/panda的介绍和典型使用典型图像处理 Python基础及其机器学习库的使用 scikit-learn的介绍和典型使用损失函数的绘制多种数学曲线多项式拟合股票数据分析、卷积、(指数)移动平均线 回归 线性回归高斯分布Logistic回归最大似然估计梯度下降算法:BGD与SGD特征选择与过拟合 回归实践 机器学习sklearn库介绍Ridge回归、LASSOLogistic/Softmax回归回归代码实现和调参交叉验证数据可视化 决策树和随机森林 熵、联合熵、条件熵、KL散度、互信息最大似然估计与最大熵模型ID3、C4.5、CART详解决策树的评价预剪枝和后剪枝Bagging随机森林 随机森林实践 手写随机森林实践调用开源库函数完成随机森林数据结构的综合使用gini系数 提升 提升为什么有效Adaboost算法加法模型与指数损失梯度提升决策树GBDT XGBoost 自己动手实现GBDTXGBoost库介绍Taylor展式与学习算法KAGGLE简介泰坦尼克乘客存活率估计 SVM 线性可分支持向量机软间隔的改进损失函数的理解核函数的原理和选择SMO算法支持向量回归SVR SVM实践 libSVM代码库介绍原始数据和特征提取调用开源库函数完成SVMSVR用于时间序列曲线预测SVM、Logistic回归、随机森林三者的横向比较 聚类 各种相似度度量及其相互关系Jaccard相似度和准确率、召回率Pearson相关系数与余弦相似度K-means与K-Medoids及变种AP算法(Sci07)/LPA算法及其应用密度聚类DBSCAN/DensityPeak(Sci14)谱聚类SC聚类评价和结果指标 聚类实践 K-Means++算法原理和实现向量量化VQ及图像近似并查集的实践应用密度聚类的代码实现谱聚类用于图片分割 EM算法 最大似然估计Jensen不等式朴素理解EM算法精确推导EM算法EM算法的深入理解混合高斯分布主题模型pLSA EM算法实践 多元高斯分布的EM实现分类结果的数据可视化EM与聚类的比较Dirichlet过程EM三维及等高线等图件的绘制主题模型pLSA与EM算法 贝叶斯网络 朴素贝叶斯贝叶斯网络的表达条件概率表参数个数分析马尔科夫模型D-separation条件独立的三种类型Markov Blanket混合(离散+连续)网络:线性高斯模型Chow-Liu算法:最大权生成树MSWT 朴素贝叶斯实践 GaussianNBMultinomialNBBernoulliNB朴素贝叶斯用于鸢尾花数据朴素贝叶斯用于路透社新闻文本分类 主题模型LDA 贝叶斯学派的模型认识共轭先验分布Dirichlet分布Laplace平滑Gibbs采样详解 LDA实践 网络爬虫的原理和代码实现停止词和高频词动手自己实现LDALDA开源包的使用和过程分析Metropolis-Hastings算法MCMCLDA与word2vec的比较 隐马尔科夫模型HMM 概率计算问题前向/后向算法HMM的参数学习Baum-Welch算法详解Viterbi算法详解 HMM实践 动手自己实现HMM用于中文分词多个语言分词开源包的使用和过程分析文件数据格式UFT-8、Unicode停止词和标点符号对分词的影响前向后向算法计算概率溢出的解决方案发现新词和分词效果分析高斯混合模型HMMGMM-HMM用于股票数据特征提取

机器学习 2019-01-18 128人浏览 1人下载

打通机器学习任督二脉40讲2018年6月......
人工智能之机器学习帮你打通机器学习任督二脉40讲2018年6月 180604-开篇词 _ 打通修炼机器学习的任督二脉 180605-01 _ 频率视角下的机器学习 180607-02 _ 贝叶斯视角下的机器学习 180609-03 _ 学什么与怎么学: 180612-04 _ 计算学习理论: 180614-05 _ 模型的分类方式 180616-06 _ 模型的设计准则 180619-07 _ 模型的验证方法 180621-08 _ 模型的评估指标 180623-09 _ 实验设计 180626-10 _ 特征预处理 180628-11 _ 基础线性回归:一元与多元 180630-12 _ 正则化处理:收缩方法与边际化 180703-13 _ 线性降维:主成分的使用 180705-14 _ 非线性降维:流形学习 180707-15 _ 从回归到分类:联系函数与降维 180710-16 _ 建模非正态分布:广义线性模型 180712-17 _ 几何角度看分类:支持向量机 180714-18 _ 从全局到局部:核技巧 180717-19 _ 非参数化的局部模型:K近邻 180719-20 _ 基于距离的学习:聚类与度量学习 180721-21 _ 基函数扩展:属性的非线性化 180724-22 _ 自适应的基函数:神经网络; 180726-23 _ 层次化的神经网络:深度学习 180728-24 _ 深度编解码:表示学习 180731-25 _ 基于特征的区域划分:树模型 180802-26 _ 集成化处理:Boosting与Bagging 180804-27 _ 万能模型:梯度提升与随机森林 180807-总结课 _ 机器学习的模型体系 180809-28 _ 最简单的概率图:朴素贝叶斯 180811-29 _ 有向图模型:贝叶斯网络+ 180814-30 _ 无向图模型:马尔可夫随机场 180816-31 _ 建模连续分布:高斯网络 180818-32 _ 从有限到无限:高斯过程 180821-33 _ 序列化建模:隐马尔可夫模型 180823-34 _ 连续序列化模型:线性动态系统 180825-35 _ 精确推断:变量消除及其拓展" 180828-36 _ 确定近似推断:变分贝叶斯 180830-37 _ 随机近似推断:MCMC 180901-38 _ 完备数据下的参数学习:有向图与无向图 180904-39 _ 隐变量下的参数学习:EM方法与混合模型 180906-40 _ 结构学习:基于约束与基于评分 180908-总结课 _ 贝叶斯学习的模型体系 180911-结课 _ 终有一天,你将为今天的付出骄傲

机器学习 2019-04-01 119人浏览 1人下载

[视频教程] 2018年XiaoX学院最新人工智能机器学习升......
01 数学分析与概率论.mp4 02 数理统计与参数估计.avi 03 矩阵和线性代数.avi 04 凸优化.avi 05 Python库.avi 06 Python库II.mp4 07 回归.mp4 08 回归实践.mp4 09 决策树和随机森林.avi 10 决策树和随机森林实践.mp4 11 提升.mp4 12 XGBoost实践.mp4 13 SVM.mp4 14 SVM实践.mp4 15 聚类1.mp4 15 聚类2.mp4 16 聚类实践1.mp4 16 聚类实践2.mp4 17 EM算法.mp4 18 EM算法实践.mp4 19 贝叶斯网络.mp4 20 朴素贝叶斯实践.mp4 21 主题模型.mp4 22 主题模型实践.mp4 23 HMM.mp4 24 HMM实践.mp4 ├─文档 │ ├─00、课程介绍 │ │ 《机器学习·升级版II》常见问题FAQ │ │ │ ├─01、机器学习的数学基础1 - 数学分析 │ │ │ 1.数学分析与概率论.pdf │ │ │ 笔记.jpg │ │ │ │ │ └─参考文献资料 │ │ Clustering-by-fast-search-and-find-of-density-pea.pdf │ │ Latent Dirichlet Allocation.pdf │ │ MLAPP.pdf │ │ PRML_Translation.pdf │ │ 李航.统计学习方法.pdf │ │ │ ├─02、数学基础2 - 数理统计与参数估计 │ │ 2.数理统计与参数估计.pdf │ │ │ ├─03、数学基础3 - 矩阵和线性代数 │ │ 3.矩阵和线性代数.pdf │ │ │ ├─04、数学基础4 - 凸优化 │ │ 4.凸优化.pdf │ │ │ ├─05、Python基础及其数学库的使用 │ │ 5.Python.rar │ │ 5.Python库.pdf │ │ │ ├─06、Python基础及其机器学习库的使用 │ │ 6.Package代码.rar │ │ 6.Python库II.pdf │ │ │ ├─07、回归 │ │ 7.回归.pdf │ │ │ ├─08、回归实践 │ │ 8.Regression代码.rar │ │ 8.Regression代码.zip │ │ 8.回归实践.pdf │ │ │ ├─09、决策树和随机森林 │ │ 9.决策树和随机森林.pdf │ │ │ ├─10、随机森林实践 │ │ 10.RandomForest代码.rar │ │ 10.决策树和随机森林实践.pdf │ │ │ ├─11、提升 │ │ 11.提升.pdf │ │ │ ├─12、XGBoost │ │ 12.6.Bagging_intro(老师新加的代码).zip │ │ 12.XGBoost(代码).zip │ │ 12.XGBoost实践.pdf │ │ xgboost-master.zip │ │ │ ├─13、SVM │ │ 13.SVM.pdf │ │ │ ├─14、SVM实践 │ │ 14.SVM(代码).rar │ │ 14.SVM实践.pdf │ │ │ ├─15、聚类 │ │ 15.聚类.pdf │ │ │ ├─16、聚类实践 │ │ 16.代码.rar │ │ 16.聚类实践.pdf │ │ │ ├─17、EM算法 │ │ 17.EM算法.pdf │ │ │ ├─18、EM算法实践 │ │ 18.EM算法实践.pdf │ │ 18.EM算法实践代码.rar │ │ │ ├─19、贝叶斯网络 │ │ 19.贝叶斯网络.pdf │ │ │ ├─20、朴素贝叶斯实践 │ │ 20.NaiveBayesian.zip │ │ 20.朴素贝叶斯实践.pdf │ │ │ ├─21、主题模型LDA │ │ 21.主题模型.pdf │ │ │ ├─22、LDA实践 │ │ 22.LDA代码.rar │ │ 22.主题模型实践.pdf │ │ │ ├─23、隐马尔科夫模型HMM │ │ 23.HMM.pdf │ │ │ └─24、HMM实践 │ 24.HMM代码.zip │ 24.HMM实践.pdf

机器学习 2019-02-18 120人浏览 1人下载

机器学习典藏课程 机器学及其matlab实现—从基础到实践 ......
├<国外机器学习> │  ├ │  │  ├Hello World - Machine Learning Recipes #1.mp4 │  │  ├Let’s Write a Pipeline - Machine Learning Recipes #4.mp4 │  │  ├Machine Learning over Coffee with a Googler.mp4 │  │  ├Visualizing a Decision Tree - Machine Learning Recipes #2.mp4 │  │  ├What Makes a Good Feature- - Machine Learning Recipes #3.mp4 │  │  ├<英文字幕> │  │  │  ├Hello World - Machine Learning Recipes #1.srt │  │  │  ├Let us Write a Pipeline - Machine Learning Recipes #4.srt │  │  │  ├Machine Learning over Coffee with a Googler.srt │  │  │  ├Visualizing a Decision Tree - Machine Learning Recipes #2.srt │  │  │  └What Makes a Good Feature - Machine Learning Recipes #3.srt │  │  ├<中文字幕> │  │  │  └Hello World - Machine Learning Recipes #1_chs.srt │  ├ │  │  ├cs229-lecture01.mp4 │  │  ├cs229-lecture02.mp4 │  │  ├cs229-lecture03.mp4 │  │  ├cs229-lecture04.mp4 │  │  ├cs229-lecture05.mp4 │  │  ├cs229-lecture06.mp4 │  │  ├cs229-lecture07.mp4 │  │  ├cs229-lecture08.mp4 │  │  ├cs229-lecture09.mp4 │  │  ├cs229-lecture10.mp4 │  │  ├cs229-lecture11.mp4 │  │  ├cs229-lecture12.mp4 │  │  ├cs229-lecture13.mp4 │  │  ├cs229-lecture14.mp4 │  │  ├cs229-lecture15.mp4 │  │  ├cs229-lecture16.mp4 │  │  ├cs229-lecture17.mp4 │  │  ├cs229-lecture18.mp4 │  │  ├cs229-lecture19.mp4 │  │  ├cs229-lecture20.mp4 │  │  └MachineLearningAllMaterials.zip │  ├<斯坦福大学-机器学习课程-中英字幕> │  │  ├[斯坦福大学-机器学习课程].materials.rar │  │  ├10特征选择.mp4 │  │  ├11贝叶斯统计正则化.mp4 │  │  ├12K-means算法.mp4 │  │  ├13高斯混合模型.mp4 │  │  ├14主成分分析法.mp4 │  │  ├15奇异值分解.mp4 │  │  ├16马尔可夫决策过程.mp4 │  │  ├17离散与维数灾难.mp4 │  │  ├18线性二次型调节控制.mp4 │  │  ├19微分动态规划.mp4 │  │  ├1机器学习的动机与应用.mp4 │  │  ├20策略搜索.mp4 │  │  ├2监督学习应用.梯度下降.mp4 │  │  ├3欠拟合与过拟合的概念.mp4 │  │  ├4牛顿方法.mp4 │  │  ├5生成学习算法.mp4 │  │  ├6朴素贝叶斯算法.mp4 │  │  ├7最优间隔分类器问题.mp4 │  │  ├8顺序最小优化算法.mp4 │  │  └9经验风险最小化.mp4 ├<机器学及其matlab实现—从基础到实践> │  ├<第八周> │  │  ├Class_8.mp4 │  │  ├Class_8.pdf │  │  ├Class_8_Code.rar │  │  ├MacOS_precompiled-WITHOUT_SOURCE-v0.02.tar │  │  └Windows-Precompiled-RF_MexStandalone-v0.02-.zip │  ├<第二周> │  │  ├Class_2.mp4 │  │  ├Class_2.pdf │  │  └Class_2_Code.rar │  ├<第九周> │  │  ├Class_9.mp4 │  │  ├Class_9.pdf │  │  └Class_9_Code.rar │  ├<第六周> │  │  ├Class_6.mp4 │  │  ├Class_6.pdf │  │  └Class_6_Code.rar │  ├<第七周> │  │  ├Class_7.mp4 │  │  ├Class_7.pdf │  │  └Class_7_Code.rar │  ├<第三周> │  │  ├Class_3.mp4 │  │  ├Class_3.pdf │  │  ├Class_3_Code.rar │  │  └Homework_Dataset.rar │  ├<第十二周> │  │  ├Class_12.mp4 │  │  ├Class_12.pdf │  │  └Class_12_Code.rar │  ├<第十三周> │  │  ├Class_13.mkv │  │  ├Class_13.pdf │  │  ├Class_13_Code.rar │  │  └References.rar │  ├<第十一周> │  │  ├Class_11.mkv │  │  ├Class_11.pdf │  │  └Class_11_Code.rar │  ├<第十周> │  │  ├Class_10.mp4 │  │  ├Class_10.pdf │  │  └Class_10_Code.rar │  ├<第四周> │  │  ├Class_4.mp4 │  │  ├Class_4.pdf │  │  ├Class_4_Code.rar │  │  └Homework_Dataset.rar │  ├<第五周> │  │  ├Class_5.mp4 │  │  ├Class_5.pdf │  │  └Class_5_Code.rar │  ├<第一周> │  │  ├Class_1.mp4 │  │  ├Class_1.pdf │  │  ├Class_1_Code.rar │  │  └MATLAB揭秘.pdf ├<其他参考> │  ├<25种人工神经网络模型matlab源码> │  │  ├chapter12.png │  │  ├chapter12_01.png │  │  ├chapter12_02.png │  │  ├chapter12_03.png │  │  ├QQ图片20150417124029.png │  │  ├案例1 BP神经网络的数据分类-语音特征信号分类.zip │  │  ├案例10 离散Hopfield神经网络的分类——高校科研能力评价.zip │  │  ├案例11 连续Hopfield神经网络的优化-旅行商问题优化计算.zip │  │  ├案例12 SVM神经网络的数据分类预测-葡萄酒种类识别.zip │  │  ├案例13 SVM神经网络中的参数优化---提升分类器性能.zip │  │  ├案例14 SVM神经网络的回归预测分析---上证开盘指数预测.zip │  │  ├案例15 SVM神经网络的信息粒化时序回归预测.zip │  │  ├案例16 单层竞争神经网络的数据分类—患者癌症发病预测.zip │  │  ├案例17 SOM神经网络的数据分类--柴油机故障诊断.zip │  │  ├案例18 Elman神经网络的数据预测—电力负荷预测模型研究.zip │  │  ├案例19 概率神经网络的分类预测-基于PNN变压器故障诊断.zip │  │  ├案例2 BP神经网络的非线性系统建模-非线性函数拟合.zip │  │  ├案例20 神经网络变量筛选—基于BP的神经网络变量筛选.zip │  │  ├案例4 神经网络遗传算法函数极值寻优-非线性函数极值.zip │  │  ├案例5 基于BP_Adaboost的强分类器设计-公司财务预警建模.zip │  │  ├案例6 PID神经元网络解耦控制算法_多变量系统控制.zip │  │  ├案例7 RBF网络的回归-非线性函数回归的实现.zip │  │  ├案例8 GRNN的数据预测-基于广义回归神经网络货运量预测.zip │  │  └案例9 离散Hopfield神经网络的联想记忆—数字识别.zip │  ├ │  │  ├《基于MATLAB的高等数学问题求解》 随书附带源程序.rar │  │  ├MATLAB高等数学问题求解教学视频1:MATLAB概述.rar │  │  ├MATLAB高等数学问题求解教学视频10:代数方程组的MATLAB求解.rar │  │  ├MATLAB高等数学问题求解教学视频11:向量代数与空间解析几何MATLAB求解.rar │  │  ├MATLAB高等数学问题求解教学视频12:多元函数微分学的MATLAB求解.rar │  │  ├MATLAB高等数学问题求解教学视频13:重积分的MATLAB求解.rar │  │  ├MATLAB高等数学问题求解教学视频14:常微分方程的MATLAB求解.rar │  │  ├MATLAB高等数学问题求解教学视频15:积分变换的MATLAB求解.rar │  │  ├MATLAB高等数学问题求解教学视频2:MATLAB程序设计.rar │  │  ├MATLAB高等数学问题求解教学视频3:MATLAB图形初步.rar │  │  ├MATLAB高等数学问题求解教学视频4:MATLAB数值运算.rar │  │  ├MATLAB高等数学问题求解教学视频5:MATLAB符号运算.rar │  │  ├MATLAB高等数学问题求解教学视频6:函数极限与连续的MATLAB求解.rar │  │  ├MATLAB高等数学问题求解教学视频7:导数与微分的MATLAB求解.rar │  │  ├MATLAB高等数学问题求解教学视频8:积分的MATLAB求解.rar │  │  └MATLAB高等数学问题求解教学视频9:级数的MATLAB求解.rar │  ├ │  │  ├《MATLAB神经网络原理与实例精解》随书附带源程序.rar │  │  ├MATLAB神经网络教学视频1:神经网络概述与MATLAB快速入门.rar │  │  ├MATLAB神经网络教学视频10:用GUI设计神经网络.rar │  │  ├MATLAB神经网络教学视频11:神经网络应用实例.rar │  │  ├MATLAB神经网络教学视频2:MATLAB函数与神经网络工具箱.rar │  │  ├MATLAB神经网络教学视频3:单层感知器.rar │  │  ├MATLAB神经网络教学视频4:线性神经网络.rar │  │  ├MATLAB神经网络教学视频5:BP神经网络.rar │  │  ├MATLAB神经网络教学视频6:径向基函数网络.rar │  │  ├MATLAB神经网络教学视频7:自组织竞争神经网络.rar │  │  ├MATLAB神经网络教学视频8:反馈神经网络.rar │  │  └MATLAB神经网络教学视频9:随机神经网络.rar

机器学习 2019-03-31 140人浏览 1人下载

量化交易经典课程 机器学习与金融量化交易项目视频教程 大数据......
量化交易经典课程 机器学习与金融量化交易项目视频教程 大数据机器学习的实践课程 ===============课程目录=============== ├<视频> │ ├10策略优化与课程总结.mkv │ ├1自动化交易综述.mkv │ ├2量化交易系统综述.mkv │ ├3搭建自己的量化数据库.mkv │ ├4用python进行金融数据分析.mkv │ ├5策略建模综述.mkv │ ├6策略建模:基于机器学习的策略建模.mkv │ ├7模型评估与风险控制.mkv │ ├8自动交易系统的搭建.mkv │ └9 量化策略的实现.mkv ├<ppt> │ ├机器学习和量化交易实战 Lecture 01.pdf │ ├机器学习和量化交易实战 Lecture 02.pdf │ ├机器学习和量化交易实战 Lecture 03.pdf │ ├机器学习和量化交易实战 Lecture 04.pdf │ ├机器学习和量化交易实战 Lecture 06.pdf │ ├机器学习和量化交易实战 Lecture 07.pptx │ ├机器学习和量化交易实战 Lecture 09.pptx │ └机器学习和量化交易实战 Lecture 10.pptx ├<代码> │ ├<lecture_code 03> │ │ ├cadf.py │ │ ├insert_symbols.py │ │ ├price_retrieval.py │ │ ├quandl_data.py │ │ ├quantitative.sql │ │ ├retrieving_data.py │ │ └securities_master.sql │ ├<lecture_code 04> │ │ └code for lecture 4.ipynb │ ├<lecture_code 05> │ │ ├BB.py │ │ ├CCI.py │ │ ├evm.py │ │ ├FI.py │ │ ├forecast.py │ │ ├grid_search.py │ │ ├MA.py │ │ └ROC.py │ ├<lecture_code 08> │ │ ├backtest.py │ │ ├event.py │ │ ├mac.py │ │ └portfolio.py

机器学习 2019-01-25 143人浏览 2人下载

人工智能导论与原理 (神经网络、机器学习、自然语言处理)......
【人工智能导论课程目录】 绪论 1. 人工智能的研究目标 2. 人工智能发展简史 3. 人工智能研究的课题 第一章 产生式系统 1.1 产生式系统的组成部分 1.2 产生式系统的基本过程 1.3 产生式系统的控制策略 1.4 问题的表示 1.5 产生式系统的类型 1.6 小结 - 课后习题 第二章 产生式系统的搜索策略 2.1 回溯策略(Backtracking Strategies) 2.2 图搜索策略 2.3 无信息图搜索过程 2.4 启发式图搜索过程 2.5 搜索算法讨论 2.6 小结 - 课后习题 第三章 可分解产生式系统的搜索策略 3.1 与或图的搜索 3.2 与或图的启发式搜索算法AO* 3.3 博弈树的搜索 3.4 小结 - 课后习题 第四章 人工智能中的谓词演算及应用 4.1 一阶谓词演算的基本体系 4.2 归结(消解Resolution) 4.3 归结反演系统(Refutation) 4.4 基于归结法的问答系统 4.5 基于归结的自动程序综合 4.6 基于归结的问题求解方法 4.7 基于规则的正向演绎系统 4.8 基于规则的逆向演绎系统 4.9 基于规则的演绎系统的几个问题 4.10 小结 - 课后习题 第五章 人工智能语言 5.1 LISP 5.2 PROLOG 5.3 小结 - 课后习题 【人工智能原理课程目录】 第一章 人工智能概述 - 课前索引 - 1.1 人工智能的定义 - 1.2 人工智能的发展史 - 1.3 人工智能成功的实例 - 1.4 人工智能的研究内容 - 1.5 人工智能研究的特点 - 1.6 人工智能相关文献及网站介绍 - 章节小结 - 课后思考题 第二章 归结推理方法 - 课前索引 - 2.1 归结原理概述 - 2.2 命题逻辑的归结 - 2.3 谓词逻辑归结法基础 - 2.4 归结原理 - 2.5 归结过程控制策略 - 2.6 Herbrand定理 - 章节小结 - 课后思考题 - 课后习题 第三章 不确定性推理方法 - 课前索引 - 3.1 概述 - 3.2 确定性方法 - 3.3 主观Bayes方法 - 3.4 证据理论(D-S Theory) - 3.5 贝叶斯网络 - 章节小结 - 课后思考题 - 课后习题 第四章 知识表示 - 课前索引 - 4.1 概述 - 4.2 表示观 - 4.3 逻辑表示法 - 4.4 产生式表示法 - 4.5 语义网络表示法 - 4.6 框架表示法 - 4.7 面向对象的表示法 - 4.8 直接型知识表示方法 - 4.9 混合型知识表示方法 - 章节小结 - 课后思考题 - 课后习题 第五章 机器学习 - 课前索引 - 5.1 概述 - 5.2 机器学习的分类与基本系统结构 - 5.3 符号学习方法 - 5.4 实例学习方法 - 章节小结 - 课后思考题 - 课后习题 第六章 神经网络 - 课前索引 - 6.1 概述 - 6.2 前馈型人工神经网络 - 6.3 反馈神经网络 - 6.4 自组织竞争人工神经网络 - 6.5 神经网络在模式识别中的应用 - 章节小结 - 课后思考题 第七章 自然语言处理 - 课前索引 - 7.1 概述 - 7.2 句法分析 - 7.3 词性标注 - 章节小结 - 课后思考题 - 课后习题 第八章 智能体 - 课前索引 - 8.1 智能体概述 - 8.2 多智能体 - 8.3 智能体之间的通讯 - 8.4 智能体体系结构 - 章节小结 - 课后思考题

机器学习 2019-01-18 132人浏览 1人下载