机器学习方法之线性分类视频教程_人工智能零基础自学入门

机器学习方法线性分类视频教程，是一门介绍机器学习中常用的线性分类算法的视频课程。本课程由斯坦福大学教授Andrew Ng主讲，共分为4个部分，包括线性分类、逻辑回归、支持向量机和神经网络等内容。

线性分类

在本课程的第一部分，Andrew Ng教授介绍了线性分类的概念和原理。他讲解了如何使用线性模型对数据进行分类，以及如何利用训练数据来估计模型参数。

此外，他还介绍了模型评估的方法和指标，如准确率、精确率、召回率等，并讨论了这些指标的优缺点和适用场景。

逻辑回归

在本课程的第二部分，Andrew Ng教授介绍了逻辑回归的概念和原理。他讲解了如何使用逻辑回归模型对二分类数据进行建模，并介绍了如何利用训练数据来估计模型参数。

他还介绍了逻辑回归的扩展应用，包括多类别分类和正则化等内容。

支持向量机

在本课程的第三部分，Andrew Ng教授介绍了支持向量机（SVM）的概念和原理。他讲解了如何使用SVM对线性可分和非线性可分数据进行分类，并介绍了如何选择合适的核函数来扩展SVM模型。

他还讲解了SVM模型的优化算法和软间隔分类等内容。

神经网络

在本课程的第四部分，Andrew Ng教授介绍了神经网络的概念和原理。他讲解了如何使用多层神经网络对非线性数据进行分类，并介绍了常用的激活函数、优化算法和正则化方法等内容。

他还讨论了神经网络的扩展应用，如卷积神经网络和循环神经网络等。

本课程提供了非常全面和深入的线性分类算法学习资料，让初学者能够快速理解线性分类算法的基本原理和实践应用。通过学习本课程，你将会掌握以下几个方面的知识：

理解线性分类的基本概念和原理，以及如何利用线性模型对数据进行分类

掌握逻辑回归模型的原理和应用，包括如何处理二分类和多分类问题，以及如何使用正则化技术来提高模型的泛化性能

理解支持向量机（SVM）的原理和优化算法，以及如何使用SVM对线性可分和非线性可分数据进行分类

掌握神经网络的基本原理和应用，包括如何使用多层神经网络对非线性数据进行分类，以及如何使用卷积神经网络和循环神经网络处理图像、文本和时间序列数据等

除此之外，本课程还提供了大量的案例和练习题，让学习者能够在实践中深入理解算法的应用和实现。

本课程还介绍了许多实用工具和资源，如Python编程语言、NumPy和Pandas等库、Scikit-Learn和TensorFlow等机器学习框架，帮助学习者更加高效地进行算法实现和应用。

机器学习方法线性分类视频教程是一门非常优秀的机器学习入门课程，为学习者提供了系统全面的线性分类算法学习资源，涵盖了从基本原理到实践应用的所有内容。

如果你是一名机器学习初学者，或者想要深入学习机器学习中的线性分类算法，这门课程将会是一个非常不错的选择。

下面是小编精心整理的机器学习方法之线性分类视频教程目录，快跟着学起来吧：

章节1:逻辑回归

1:逻辑回归_Sigmoid函数_ev.mp4

2: sigmoid函数作用_ev.mp4

3:逻辑回归为什么用sigmoid函数_预备知识_ev.mp4

4:证明伯努利分布是指数族分布_推导出逻辑回归公式_ev.mp4

5:回想多元线性回归公式其实也是从广义线性回归推导出来的_ev.mp4

6:推导逻辑回归损失函数_得到总似然的公式_ev.mp4

7:推导逻辑回归损失函数_得到最终形式_ev.mp4

8:绘制逻辑回归损失函数_读入数据计算最优解模型_实现逻辑回归预测_实现逻辑回归损失函数_ev.mp4

9:绘制逻辑回归损失函数_探索单个参数和损失的关系_ev.mp4

10:绘制逻辑回归损失函数_探索两个参数和损失函数变换关系_ev.mp4

11:绘制逻辑回归损失函数_绘制3D的图形_分析X1X2两个维度的重要度_ev.mp4

12:对逻辑回归函数进行求导_结论在后面会用到_ev.mp4

13:对逻辑回归的损失函数求导_推导出导函数的形式_ev.mp4

14:实战逻辑回归对鸢尾花数据集进行二分类_ev.mp4

15: OneVsRest将多分类问题转化成多个二分类问题_ev.mp4

16:实战逻辑回归对鸢尾花数据集进行多分类_ev.mp4

代码.rar

第五阶段_线性分类算法_逻辑回归和Softmax回归.pdf

章节2: Softmax回归

17:证明多项式分布屈于指数族分布一种_ev.mp4

18:从广义线性回归的n推导出来Softmax的公式_ev.mp4

19:有了Softmax函数的公式就可以去计算loss_Softmax的Loss函数形式其实就是LR的泛化版本_ev.mp4

20:再次证明Softmax损失函数当K=2时就是逻辑回归损失函数_ev.mp4

21:证明Softmax公式K=2的时候就是逻辑回归_平移不变性_ev.mp4

22:逻辑回归和Softmax回归在多分类任务模型参数上的区别_与算法在选择上的区别_ev.mp4

23:实战音乐分类器_讲解需求和读取数据_ev.mp4

24:实战音乐分类器_探索不同曲风音乐文件的时间频率图_ev.mp4

25:实战音乐分类器_傅里叶变换可以帮助我们做什么_ev.mp4

26:实战音乐分类器_代码使用傅里叶变换将混音文件进行投影_ev.mp4

27:实战音乐分类器_代码对单首歌曲进行傅里叶变换_代码对600首音乐文件进行傅里叶变换并保存结果_ev.mp4

28:实战音乐分类器_代码读取600首傅里叶变换后的数据_构建训练集并训练模型_ev.mp4

29:实战音乐分类器_模型的测试和调优_解决双通道音乐文件的问题_ev.mp4

章节3:SVM支持向量机算法

30:SVM与感知机关系_几何距离与函数距离_ev.mp4

31: SVM的思想_ev.mp4

32:几种SVM_SVM的损失函数_ev.mp4

33:数学预备知识_拉格朗日函数_ev.mp4

34:硬间隔SVM的两步优化_ev.mp4

35:总结硬间隔SVM_ev.mp4

36:软间隔SVM和总结流程_ev.mp4

37:非线性SVM_ev.mp4

38: SVM在sklearn中的使用_超参数_ev.mp4

章节4:SMO优化算法

39: SVM算法流程总结_ev.mp4

40: SMO算法求解思路_分解成很多个子二次规划问题分别求解_ev.mp4

41: SMO将交给它的目标函数变成二元函数进一步变成一元函数_ev.mp4

42:对—元函数求极值点_推导出旧的c和新的αx的关系_ev.mp4

43:将公式467带入导函数进一步简化_对求解出的新的c2进行剪裁_ev.mp4

44:再次说明α2如何进行剪裁的思路_根据α2求a1_ev.mp4

45:启发式选择两个α_ev.mp4

46:如何计算阈值b_ev.mp4

47: SVM的SMO实现读取数据和计算f欣与Ei_ev.mp4

48: SVM的SMO实现判断违背条件的c1 _ev.mp4

49: SVM的SMO实现应用公式计算alphas和b_ev.mp4

50: SVM绘制已有数据点和超平面以及边界_ev.mp4

51:关于sklearn中的SVM封装的类和超参_ev.mp4

52:概率化输出_SVM的合页损失函数_Tensorflow实现GD方式求解SVM_ev.mp4

53: OVR和OVO多分类_算法小结_对比逻辑回归_ev.mp4

机器学习方法之线性分类视频教程截图：