此次更新内容为百战Python课程第十五阶段人工智能基础_机器学习理论和实战的1-7章节。
第十五阶段:人工智能基础_机器学习理论和实战
章节1:无约束最优化问题的求解算法
1:梯度下降法产生的目的和原因以及思想
2:梯度下降法公式
3:学习率设置的学问_全局最优解
4:梯度下降法迭代流程总结
5:多元线性回归下的梯度下降法
章节2:三种梯度下降法
6:全量梯度下降
7:随机梯度下降_小批量梯度下降
8:对应梯度下降法的问题和挑战
9:轮次和批次
章节3:代码实战梯度下降法与优化
10:代码实现全量梯度下降第1步和第2步
11:代码实现全量梯度下降第3步和第4步
12:代码实现随机梯度下降
13:代码实现小批量梯度下降
14:代码改进保证训练数据全都能被随机取到
15:代码改进实现随着迭代增加动态调整学习率
章节4:归一化
16:归一化的目的_维度之间数量级不同产生的矛盾
17: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
18:归一化的副产品_有可能会提高模型的精度
19:最大值最小值归一化
20:标准归一化
21:代码完成标准归一化
章节5:正则化
22:正则化的目的防止过拟合
23:正则化通过损失函数加入惩罚项使得W越小越好
24:常用的L1和L2正则项以及数学意义
25:L1稀疏性和L2平滑性
26:通过L1和L2的导函数理解区别的本质原因
章节6:多元线性回归的衍生算法
27:代码调用Ridge岭回归
28:代码调用Lasso回归
29:代码调用ElasticNet回归
章节7:多项式升维
30:升维的意义_多项式回归
31:多项式升维代码实战_传入不同超参数对比
32:多项式升维代码实战_训练模型和评估
另附章节3、6、7的课程资料。