文件名称：matlab有些代码不运行-ML1_IAP:ML1_IAP
文件大小：7.97MB
文件格式：ZIP
更新时间：2024-06-12 17:20:18
系统开源
matlab有些代码不运行动手Python机器学习-麻省理工学院的IAP 在这个简短的IAP中，我将讲授在实际的有监督学习中反复使用的概念和算法。 我希望参加此IAP将鼓励您在研究中使用机器学习（ML），并有助于阅读ML文学。 机器学习是一个非常广阔的领域，自然而然地，我将无法涵盖ML的所有方面/主题/实践。 但是好消息是，仅学习两种主要算法就足以满足监督ML的几乎所有实际目的。 基于决策树的模型（即随机森林和梯度提升机），主要针对结构化数据（表格数据）成功 神经网络，主要用于非结构化数据（例如音频，视觉和自然语言），尽管最近在表格数据中也很流行（请参阅参考资料，我在准备本课程时已反复使用），但该网络非常成功。 其他大多数ML算法（在其生命周期中的某个时候变得很流行）都已过时，并且在大多数情况下不是很有用。 在本课程中，我不会在严格的推导，证明等上花费大量时间。相反，我们将利用自己的时间来获得一些直觉，即ML模型是如何工作的，并使我们的代码“肮脏”。 这与典型的学术课程截然不同，后者通常非常严格，并会花时间详细解释材料的各个方面。 每个课程将分为一个教学课程（将与jupyter笔记本电
【文件预览】：
ML1_IAP-master
----jupyter-intro_RASP.ipynb(15KB)
----figs()
--------Transfer_learning.png(100KB)
--------Dropout_layer.png(132KB)
--------Regression.png(388KB)
--------Gradient_descent2.png(395KB)
--------onecycle_params.png(45KB)
--------LogReg_NN.png(328KB)
--------linear_regression_as_neural_network2.png(16KB)
--------overfitting.png(167KB)
--------Loss_function_vis_NN.jpeg(7KB)
--------Deeper_network.svg(173KB)
--------CNN22.svg(16KB)
--------Learning_curve.png(706KB)
--------tree.png(104KB)
--------CNN.svg(16KB)
--------Log_reg_NN.jpg(46KB)
--------k_cross_validation.png(406KB)
--------maxpool.jpeg(37KB)
--------LogRegMNIST.svg(29KB)
--------linear_regression_as_neural_network.png(42KB)
--------Convolution_explained.png(200KB)
--------tree_MSE.png(68KB)
--------Classification.png(629KB)
----lesson2-RandomForest_reg.ipynb(2.25MB)
----test_packages.ipynb(3KB)
----Gradient_decent_explained.ipynb(215KB)
----practice4-CNN_CIFAR10.ipynb(156KB)
----practice3-MNIST.ipynb(3KB)
----lesson5_transfer_learning_Class.ipynb(456KB)
----lesson3-NN.ipynb(1.5MB)
----lesson4-CNN.ipynb(626KB)
----practice2-regression.ipynb(5KB)
----.ipynb_checkpoints()
--------Learning_Curve-checkpoint.ipynb(1KB)
----README.md(8KB)
----practice1-titanic_classification.ipynb(18KB)
----lesson1_RF_classification.ipynb(3.37MB)