AI算法-深蓝学院-机器学习数学基础资源简介:
课程目录
任务1-1: 【课件】第一章:绪论.pdf.pdf
任务1-2:【视频】第一章:绪论(上).mp4
任务1-3:【视频】第一章:绪论(下).mp4
任务1-4:【讲义】第一章:绪论.pdf
任务10-1:【课件】编程实践:基于奇异值分解SVD进行智能推荐.pdf
任务10-2:【代码】SVD2.rar
任务10-3:【视频】编程实践:基于奇异值分解SVD进行智能推荐.mp4
任务11-1:【课件】凸函数.pdf
任务11-2:【视频】凸函数.mp4
任务11-3:【讲义】机器学习数学基础-优化部分.pdf
任务12-1:【课件】对偶理论及SVM的对偶求解.pdf
任务12-2:【视频】对偶理论及SVM的对偶求解.mp4
任务12-3:【讲义】对偶理论及SVM的对偶求解.pdf
任务13-1:【课件】编程实践:基于支持向量机 SVM 进行二分类.pdf
任务13-2:【视频】编程实践:基于支持向量机 SVM 进行二分类.mp4
任务13-3:【代码】编程实践:基于支持向量机 SVM 进行二分类.rar
任务14-1:【课件】概率统计(上).pdf
任务14-2:【视频】概率统计(上).mp4
任务15-1:【课件】概率统计(中).pdf
任务15-2:【视频】概率统计(中).mp4
任务16-1:【课件】概率统计(下).pdf
任务16-2:【视频】概率统计(下).mp4
任务16-3:【课外资料】概率统计.zip
任务17-1:【课件】概率统计(终).pdf
任务17-2:【视频】极大似然估计&朴素贝叶斯.mp4
任务18-1:【课件】编程实践:基于朴素贝叶斯和拉普拉斯平滑预测乳腺癌.pdf
任务18-2:【视频】编程实践:基于朴素贝叶斯和拉普拉斯平滑预测乳腺癌.mp4
任务18-3:【代码&数据】朴素贝叶斯实践代码&数据.rar
任务19-1:【资料】课程辅助资料.zip
任务19-2:【课件】信息论基础-上.pdf
任务19-3:【视频】信息论上.mp4
任务1:【作业讲解】习题讲解.pdf
任务2-1:【作业讲解】习题参考答案.pdf
任务2-2:【视频】习题讲解.mp4
任务2-3:【资料】第二章课程辅助资料.zip
任务20-1:【课件】信息论基础-中.pdf
任务20-2:【视频】信息论基础-中.mp4
任务21-1:【课件】信息论基础-下.pdf
任务21-2:【视频】信息论基础-下.mp4
任务21-3:【编程实践】基于决策树和 C4.5 算法进行二分类.rar
任务21-4:【实践】案例实践:决策树及其应用.mp4
任务22-1:Chapter1绪论-2019 V1.pdf
任务22-2:Chapter3矩阵论-2019 V1.pdf
任务22-3:Chapter5概率统计-2019 V1.pdf
任务22-4:Chapter6信息论-2019 V1.pdf
任务3-1:【课件】第二章:函数求导(上).pdf
任务3-2:【视频】第二章:函数求导(上).mp4
任务3-3:【视频】第二章:函数求导(中).mp4
任务4-1:【课件】第二章-BP算法.pdf
任务4-2:【视频】第二章:BP算法(上).mp4
任务4-3:【视频】第二章:BP算法(下).mp4
任务5-1:【视频】第二章习题讲解.mp4
任务5-2:【课件】编程实践:BP算法及其应用波士顿房价预测.pdf
任务5-3:【视频】BP算法及其应用波士顿房价预测.mp4
任务5-4:【代码】BP算法及其应用-波士顿房价预测.rar
任务6-1:【课件】第三章:矩阵运算(上).pdf
任务6-2:【视频】第三章:矩阵运算(上).mp4
任务7-1:【课件】第三章:矩阵运算(下).pdf
任务7-2:【视频】第三章:矩阵运算(下).mp4
任务8-1:【课件】编程实践:矩阵的运算.pdf
任务8-2:【视频】编程实践:矩阵的运算.mp4
任务9-1:【课件】第三章:矩阵论(三).pdf
任务9-2:【视频】第三章:矩阵论(三).mp4
以下内容为58课堂对这个教程(项目)的理解请选择性观看
标题:深蓝学院AI算法:机器学习数学基础的深度解析
在当今的科技时代,人工智能(AI)已经成为了一个热门的话题。无论是在科研领域,还是在商业领域,AI都展现出了巨大的潜力和价值。然而,要深入理解和掌握AI,我们需要对其背后的数学基础有深入的了解。深蓝学院作为一家专注于AI教育的机构,其AI算法课程中的机器学习数学基础部分,为我们提供了一个极好的学习平台。
首先,我们需要理解的是,机器学习的核心是数据。而数据的处理和分析,离不开数学的支持。在深蓝学院的课程中,我们会学习到如何使用线性代数来处理数据,如何使用概率论来分析数据,以及如何使用统计学来解读数据。这些数学工具,为我们在机器学习中处理和分析数据提供了强大的支持。
其次,机器学习的目标是找到数据中的模式,而这需要我们使用到优化理论。在深蓝学院的课程中,我们会学习到如何使用梯度下降法来优化模型,如何使用凸优化理论来解决复杂的优化问题。这些优化理论,为我们在机器学习中寻找最优解提供了理论支持。
此外,机器学习的一个重要分支是深度学习,而深度学习的基础是神经网络。在深蓝学院的课程中,我们会学习到如何使用矩阵运算来构建和训练神经网络,如何使用反向传播算法来优化神经网络。这些深度学习的理论和技术,为我们在实际问题中应用深度学习提供了实践指导。
总的来说,深蓝学院的AI算法课程中的机器学习数学基础部分,为我们提供了一个全面、深入的学习平台。通过这个平台,我们可以深入理解机器学习的数学原理,掌握机器学习的基本技术,从而在实际问题中应用机器学习,解决实际问题。