- 全部
- 博客
- 下载
- 论坛
- 学院
- python数据分析与机器学习实战 - CSDN学院
-
- 课程风格通俗易懂，真实案例实战。精心挑选真实的数据集为案例，通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。课程以实战为基础，所有课时都结合代码演示如何使用这些python库来完成一个真实的数据案例。算法与项目相结合，选择经典kaggle项目，从数据预处理开始一步步代码实战
- https://edu.csdn.net/course/detail/3904
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料 - CSDN博客
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料 機器學習、深度學習方面不錯的資料，轉載。 原作：https://github.com/ty4z2008/Qix/blob/master/dl.md 原作作者會不斷更新，本文更新至2014-12-21 《Brief History
- https://blog.csdn.net/haoji007/article/details/70667083
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2) - CSDN博客
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2) 注:机器学习资料篇目一共500条,篇目二开始更新 希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多．此外:某些资料在中国访问需要梯子. 《Image Scaling
- https://blog.csdn.net/AMDS123/article/details/69262008
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1) - CSDN博客
- https://github.com/ty4z2008/Qix/blob/master/dl.md 机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1) 注:机器学习资料篇目一共500条,篇目二开始更新 希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在
- https://blog.csdn.net/AMDS123/article/details/69261777
- Machine Learning第十讲[大规模机器学习] - CSDN博客
- 内容来自Andrew老师课程Machine Learning的第十章Large Scale Machine Learning。 本部分主要包括如下内容 大数据集训练模型随机梯度下降算法小批量梯度下降算法随机梯度下降算法的收敛 gadget 一、大数据集训练模型 这部分内容和之前的 Machine Learning第六讲[应用机器学习的建议] --（二
- https://blog.csdn.net/quiet_girl/article/details/72586973
- 聊天机器人（chatbot）终极指南：自然语言处理（NLP）和深度机器学习（Deep Machine Learning） - CSDN博客
- 为了这份爱 在过去的几个月中，我一直在收集自然语言处理（NLP）以及如何将NLP和深度学习（Deep Learning）应用到聊天机器人（Chatbots）方面的最好的资料。 时不时地我会发现一个出色的资源，因此我很快就开始把这些资源编制成列表。 不久，我就发现自己开始与bot开发人员和bot社区的其他人共享这份清单以及一些非常有用的文章
- https://blog.csdn.net/QFire/article/details/78809289
- 精通机器学习：基于R（第2版），完整扫描版 pdf - CSDN下载
- 机器学习是近年来的热门技术话题，R语言是处理其中大量数据的有力工具。本书为读者提供机器学习和R语言的坚实算法基础和业务基础，内容包括机器学习基本概念、线性回归、逻辑回归和判别分析、线性模型的高级选择特性、K最近邻和支持向量机等，力图平衡实践中的技术和理论两方面。
- https://download.csdn.net/download/laoge/10272829
- 机器学习与R语言实战 pdf - CSDN下载
- 本书共11章。第1章介绍如何创建一个可用的R环境和基本的R命令；第2章讲述如何使用R语言进行探索性数据分析；第3章重点探讨数据采样和概率分布的概念；第4章探讨因变量和解释变量集合之间的线性关系；第5章介绍基于树的分类器：K近邻分类器、逻辑回归分类器以及朴素贝叶斯分类器；第6章神经网络和支持向量机；第7章展示一些模型评估的方法；第8章探讨集成分类器；第9章
- https://download.csdn.net/download/zby0904010/10127543
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料集合 - CSDN博客
- 机器学习(Machine Learning)&深度学习(Deep Learning)资料 原文链接：https://github.com/ty4z2008/Qix/blob/master/dl.md#%E6%B3%A8%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E8%B5%84%E6%96%99%E7%AF%87%E7%
- https://blog.csdn.net/d5224/article/details/69569400
搜索结果部分由
提供
提供