暂时未有相关云产品技术能力~
专注于python、算法、机器学习及深度学习等相关技术分享,欢迎关注,共同学习交流。
深度学习入门(3)神经网络参数梯度的计算方式
深度学习入门(2)神经网络
深度学习入门(1)感知机
【机器学习知识点】2. 输入一个多项式,返回该多项式的一阶导数多项式
【从零开始学习深度学习】14. 防止过拟合方法:Dropout方法介绍及示例演示
【从零开始学习深度学习】13. 防止过拟合方法:权重衰减(L2惩罚项)介绍及示例演示
【从零开始学习深度学习】12. 什么是模型的训练误差?基于三阶多项式的欠拟合与过拟合训练过程演示
【从零开始学习深度学习】11.使用Pytorch实现多层感知机的构建与训练
【从零开始学习深度学习】10.自己动手从零开始实现一个多层感知机
【从零开始学习深度学习】9.多层感知机MLP及常用激活函数介绍
【从零开始学习深度学习】8.Pytorch实现softmax回归模型训练
【从零开始学习深度学习】7.自己动手实现softmax回归的训练与预测
【从零开始学习深度学习】6.使用torchvision下载与查看图像分类数据集Fashion-MNIST
【从零开始学习深度学习】5.用于分类问题的softmax回归模型原理简介
【从零开始学习深度学习】4.基于pytorch框架自带模型实现线性回归的训练过程
【从零开始学习深度学习】3. 基于pytorch手动实现一个线性回归模型并进行min--batch训练
【从零开始学习深度学习】2. 深度学习框架Pytorch如何自动求梯度(gradient)
深度学习入门(9)神经网络Affine与Softmax层的计算图表示方式及其误差反向传播的代码实现
深度学习入门(8)激活函数ReLU和 Sigmoid的计算图表示方式及其误差反向传播的代码实现
深度学习入门(7)误差反向传播计算方式及简单计算层的实现
【机器学习知识点】【1】二维与三维空间梯度下降微分求解及可视化展示
深度学习入门(6)误差反向传播基础---计算图与链式法则
【从零开始学习深度学习】1. 深度学习框架Pytorch的基本操作
【机器学习技巧】机器学习模型的两种存储方式:pickle与joblib模块
【机器学习技巧】回归模型的几个常用评估指标(R2、Adjusted-R2、MSE、RMSE、MAE、MAPE)及其在sklearn中的调用方式
【机器学习技巧】之特征工程:数字编码以及One-hot独热编码的几种方式(sklearn与pandas处理方式)
【阿旭机器学习实战】【13】决策树分类模型实战:泰坦尼克号生存预测
【阿旭机器学习实战】【14】决策树回归模型实战:对美国波士顿房价进行分析预测
【阿旭机器学习实战】【27】贝叶斯模型:新闻分类实战----CounterVecorizer与TfidVectorizer构建特征向量对比
【阿旭机器学习实战】【26】逻辑斯蒂回归----糖尿病预测实战
【阿旭机器学习实战】【25】决策树模型----树叶分类实战
【阿旭机器学习实战】【24】信用卡用户流失预测实战
【机器学习技巧】如何快速对离散型数据进行编码: LabelEncoder的使用方法
【阿旭机器学习实战】【23】特征降维实战---人脸识别降维建模,并选出最有模型进行未知图片预测
【阿旭机器学习实战】【22】特征降维实战---主成分分析(PCA)与线性判别分析算法(LDA)
【阿旭机器学习实战】【21】通过SVM分类与回归实战案例,对比支持向量机(SVM)3种SVM不同核函数
【阿旭机器学习实战】【20】支持向量机SVM原理简介及示例演示:画出SVM二维决策边界与分离非线性坐标点
【阿旭机器学习实战】【19】如何在不减少分辨率的情况下降低图片存储空间?K-Means算法进行图片颜色点分类存储
【阿旭机器学习实战】【17】KMeans聚类算法中如何选择合适的聚类个数K
【阿旭机器学习实战】【18】KMeans聚类中的常见问题
【阿旭机器学习实战】【16】KMeans算法介绍及实战:利用KMeans进行足球队分类
【阿旭机器学习实战】【15】人脸自动补全(多目标回归),并比较5种不同模型的预测效果
【阿旭机器学习实战】【12】决策树基本原理及其构造与使用方法
【阿旭机器学习实战】【11】文本分类实战:利用朴素贝叶斯模型进行邮件分类
【阿旭机器学习实战】【10】朴素贝叶斯模型原理及3种贝叶斯模型对比:高斯分布朴素贝叶斯、多项式分布朴素贝叶斯、伯努利分布朴素贝叶斯
【阿旭机器学习实战】【8】逻辑斯蒂回归原理及实战
【阿旭机器学习实战】【7】岭回归基本原理及其λ的选取方法
【阿旭机器学习实战】【9】随机梯度下降(SGD)进行乳腺癌良恶性预测,并与逻辑斯蒂回归预测结果进行对比
【阿旭机器学习实战】【6】普通线性线性回归原理及糖尿病进展预测实战
阿旭机器学习实战【5】KNN算法实战练习2:利用KNN模型进行手写体数字识别