保存成功
订阅成功
保存失败,请重试
提交成功

务实而深入地理解机器学习的几个经典算法

¥5会员免费看
zglg
4.7
严选 Chat了解严选标准

现实问题错综复杂,仅仅调调 Sklearn 或 TensorFlow 的几个 API 就能把事做好? 应该没那么简单?!通常先务实地学几个经典算法,体会其思想,最好能编写源码实现它们,然后再勇往直前。主要内容包括:

  1. ML 的算法框架,通常包括哪几部分?
  2. 海量的数据 feed 到 ML 算法模型后,如何高效地利用它们?最终学到了什么? 让它们停下来的策略都有哪些?
  3. OLS 线性回归的误差项为什么要满足高斯分布?最大似然估计原理如何通俗理解和灵活运用?
  4. OLS 的直接求解是必然还是偶然?
  5. OLS 的梯度下降如何实施?包括不调包的源码实现
  6. 线性回归到逻辑回归,Sigmoid 映射起到了什么作用?
  7. 实战逻辑回归任务,包括不调包的梯度下降源码实现。
  8. 决策树的算法思想是什么?
  9. 从数据结构看,基本的二叉树如何演化成了决策树?
  10. 实战决策树做回归任务,包括不调包的源码实现。
475 人已订阅
会员免费看
¥5 原价订阅
微信扫描登录
关注提示×
扫码关注公众号,获得 Chat 最新进展通知!
入群与作者交流×
扫码后回复关键字 入群
Chat·作者交流群
入群码
该二维码永久有效
严选标准
知道了
Chat 状态详情
开始预订
预订结果公布17.12.21

预订达标,作者开始写作

审核未达标,本场 Chat 终止

作者文章审核结果公布18.01.02

审核达标,文章发布

审核未达标,本场 Chat 终止

Chat 完结
×
已购列表