Advertisement

李宏毅2020年机器学习课程作业要求及代码.zip

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
该文件包含了李宏毅教授在2020年度开设的机器学习课程中学生所需完成的各项作业要求和相关代码资源，适合希望深入学习和实践机器学习技术的学生参考使用。 李宏毅2020年机器学习课程的课后作业要求及代码基于Jupyter Notebook编写。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 李宏毅2020年机器学习课程作业要求及代码.zip
    优质
    该文件包含了李宏毅教授在2020年度开设的机器学习课程中学生所需完成的各项作业要求和相关代码资源，适合希望深入学习和实践机器学习技术的学生参考使用。 李宏毅2020年机器学习课程的课后作业要求及代码基于Jupyter Notebook编写。
     
  • 李宏毅 机器学习 课程作业代码示例
    优质
    本资源提供李宏毅教授在机器学习课程中学生的作业代码实例，涵盖回归、分类、聚类等算法实践，适用于希望深入理解和应用机器学习技术的学习者。 李宏毅的机器学习课程作业代码 这段文字已经按照要求进行了简化处理，去除了重复内容和其他不必要的元素，使其更加简洁明了。如果需要进一步的信息或具体的代码示例，请提供更详细的需求或者直接查看相关公开资料获取具体的学习资源和文档。
     
  • 李宏毅的机器学习作业
    优质
    李宏毅的机器学习作业是台湾科技大学李宏毅教授开设的机器学习课程中的学生作业集合，涵盖各类实践项目和编程任务，旨在帮助学生深入理解和应用机器学习理论知识。 李宏毅机器学习作业文档文件全面，笔记总结充分，仅供学习使用。
     
  • 【ML】李宏毅机器学习课程资料与代码.zip
    优质
    该资源包含李宏毅教授机器学习课程的详细讲义、习题解答及编程实践代码，适合深入学习机器学习理论和应用的学生或研究人员使用。 机器学习（Machine Learning, ML）是人工智能领域的一种科学技术方法，使计算机系统能够从数据中自动获取知识并改进自身性能而无需明确编程指导。在这一过程中，算法通过识别和提取数据中的模式来建立模型，这些模型可用于预测、分类、聚类等任务。 主要的机器学习类型包括监督学习、无监督学习及半监督学习。监督学习使用带有标签的数据集进行训练，并对未知数据做出预测；例如，在垃圾邮件检测中判断一封新收到的邮件是否为垃圾邮件。在没有标签的情况下，无监督学习则通过探索数据本身的特性来发现隐藏模式或结构，如将用户分为不同的群体以实现客户细分等任务。半监督学习则是介于两者之间的一种方法，它利用部分有标签的数据和部分未标记的数据进行训练。 机器学习算法种类繁多，包括逻辑回归、决策树、随机森林、支持向量机（SVM）、K近邻算法(KNN) 以及神经网络与深度学习技术等。随着计算能力的增强及大数据时代的到来，机器学习在图像识别、语音识别、自然语言处理和金融风险管理等领域显示出了巨大潜力。 此外，机器学习的发展受到了统计学、逼近论、凸优化及概率理论等多种数学和计算机科学领域的推动，并不断激发新的算法和技术框架创新。然而，在现代深度学习模型中，其内部的工作机制往往难以完全解析，因此常被称作“黑箱”决策过程，这也是当前研究的重要挑战之一。
     
  • 李宏毅深度学习作业三代码
    优质
    本段代码为李宏毅老师深度学习课程第三阶段作业的完整实现，涵盖了神经网络的设计与训练、数据预处理及模型评估等核心内容。 李宏毅深度学习HW3代码已通过BossLine验证。使用的方法包括数据增强、tta（测试时间增强）、集成学习（ensemble）和交叉验证（cross validation）。
     
  • 李宏毅2021年机器学习与深度学习笔记及PPT作业
    优质
    本资源集为李宏毅教授2021年度开设的机器学习与深度学习课程配套材料，包含详尽课堂笔记、教学演示文稿和课后习题，适用于学生深入理解和掌握相关理论与实践技巧。 李宏毅2021年机器学习与深度学习课程的笔记和作业资料。
     
  • 李宏毅教授的2016年机器学习课程课件合集
    优质
    这是一份由李宏毅教授在2016年讲授的机器学习课程的完整课件集合，涵盖了广泛的理论与实践内容。 此文档是台湾李宏毅2016年机器学习课程整理后的全部课件。
     
  • 李宏毅的机器学习PPT
    优质
    这是一份由李宏毅教授编写的关于机器学习领域的教学演示文稿(PPT)，内容涵盖了机器学习的核心概念、算法和技术。 李宏毅的机器学习PPT材料非常受欢迎。