05、机器学习-线性回归 - 猎人搜索 轻松搜寻全网资源

• file:59：实战保险花销预测_特征工程.mp4
• file:49：代码调用Ridge岭回归.mp4
• file:52：升维的意义_多项式回归.mp4
• file:54：多项式升维代码实战_训练模型和评估.mp4
• file:57：实战保险花销预测_模型训练和评估_选择非线性算法改进.mp4
• file:23：梯度下降法产生的目的和原因以及思想.mp4
• file:33：代码实现全量梯度下降第3步和第4步.mp4
• file:26：梯度下降法迭代流程总结.mp4
• file:31：轮次和批次.mp4
• file:27：多元线性回归下的梯度下降法.mp4
• file:30：对应梯度下降法的问题和挑战.mp4
• file:29：随机梯度下降_小批量梯度下降.mp4
• file:37：代码改进实现随着迭代增加动态调整学习率.mp4
• file:36：代码改进保证训练数据全都能被随机取到.mp4
• file:25：学习率设置的学问_全局最优解.mp4
• file:第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf
• file:19：解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换.mp4
• file:4：理解多元线性回归表达式几种写法的原因.mp4
• file:11：把目标函数按照线性代数的方式去表达.mp4
• file:1：理解简单线性回归.mp4
• file:21：调用Scikit-learn中的多元线性回归求解模型(上).mp4
• file:2：最优解_损失函数_MSE.mp4
• file:9：明确目标通过最大总似然求解θ.mp4
• file:17：解析解的方式求解多元线性回归_数据Xy.mp4
• file:12：推导出目标函数的导函数形式.mp4
• file:7：假设误差服从正太分布_最大似然估计MLE.mp4
• file:10：对数似然函数_推导出损失函数MSE.mp4
• file:16：Pycharm创建脚本并测试python开发环境.mp4
• file:13：θ解析解的公式_是否要考虑损失函数是凸函数.mp4
• file:14：Python开发环境版本的选择及下载.mp4
• file:6：理解回归一词_中心极限定理_正太分布和做预测.mp4
• file:8：引入正太分布的概率密度函数.mp4
• file:第一阶段_手把手教你透彻掌握线性回归算法.pdf
• file:15：Anaconda环境安装_Pycharm环境安装.mp4
• file:20：Scikit-learn模块的介绍.mp4
• file:46：常用的L1和L2正则项以及数学意义.mp4
• file:43：代码完成标准归一化.mp4
• file:47：L1稀疏性和L2平滑性.mp4
• file:48：通过L1和L2的导函数理解区别的本质原因.mp4
• file:44：正则化的目的防止过拟合.mp4
• file:45：正则化通过损失函数加入惩罚项使得W越小越好.mp4
• file:39：归一化的目的_举例子来理解做归一化和不做归一化的区别.mp4
• file:40：归一化的副产品_有可能会提高模型的精度.mp4
• file:38：归一化的目的_维度之间数量级不同产生的矛盾.mp4
• folder:05、机器学习-线性回归
• folder:章节5：Lasso回归_Ridge回归_多项式回归
• folder:章节2：梯度下降法
• folder:章节1：多元线性回归