深度学习理论与实践 课件 第3--5章 机器学习基础、 Logistic回归、 神经网络基础.pptx

第3章机器学习基础;机器学习概述;关键术语;关键术语;机器学习的分类;机器学习的分类;人工智能、机器学习、以及神经网络和深度学习它们之间的具体关系;机器学习的模型构造过程;监督学习;线性回归;案例分析;Logistic回归;Logistic回归;Logistic回归;Logistic回归;案例分析;案例分析;最小近邻法;最小近邻法;最小近邻法;最小近邻法-距离的选择;最小近邻法-距离的选择;最小近邻法-K值的确定;?案例分析：;线性判别分析法;线性判别分析法-线性判别分析算法原理和公式求解;线性判别分析法-线性判别分析算法原理和公式求解;线性判别分析法-线性判别分析算法原理和公式求解;案例分析;朴素贝叶斯分类器;朴素贝叶斯分类器-朴素贝叶斯算法原理和公式推导：;朴素贝叶斯分类器-朴素贝叶斯算法原理和公式推导：;朴素贝叶斯分类器-朴素贝叶斯算法原理和公式推导：;朴素贝叶斯分类器-朴素贝叶斯算法原理和公式推导：;朴素贝叶斯分类器-朴素贝叶斯算法原理和公式推导：;案例分析;决策树分类算法;决策树分类算法;决策树分类算法;?案例分析;支持向量机分类算法;支持向量机分类算法-支持向量机算法原理和公式推导;支持向量机分类算法-支持向量机算法原理和公式推导;支持向量机分类算法-支持向量机算法原理和公式推导;支持向量机分类算法-支持向量机算法原理和公式推导;案例分析;非监督学习;非监督学习;划分式聚类方法;?K-means;?K-means;??案例分析;层次化聚类方法;层次化聚类方法;层次化聚类方法-凝聚层次聚类;层次化聚类方法-分裂层次聚类：;层次化聚类方法-Agnes凝聚层次聚类;?案例分析;?案例分析;基于密度的聚类方法;?DBSCAN-基本术语;?DBSCAN-基本术语;?DBSCAN-基本术语;?DBSCAN;?案例分析;?强化学习;?强化学习vs监督学习和非监督学习;?强化学习问题描述;?强化学习问题描述;?强化学习问题描述;?强化学习问题描述-策略（Policy）;?强化学习问题描述-价值函数（ValueFunction）;?强化学习问题描述-环境的模型;?强化学习问题分类;?案例分析;?案例分析;?案例分析;?神经网络和深度学习;?感知器模型;?感知器模型;?感知器模型;?感知器模型;?前馈神经???络;?前馈神经网络;?前馈神经网络;?卷积神经网络;?卷积神经网络-手写数字识别;?卷积神经网络-具体工作流程;?卷积神经网络-具体工作流程;?卷积神经网络;?其它类型结构的神经网络;?其它类型结构的神经网络;?案例分析;?案例分析;?案例分析;?案例:银行贷款用户筛选;?案例:银行贷款用户筛选;?案例:银行贷款用户筛选-模型构造;?案例:银行贷款用户筛选-预测函数的参数求解;?案例:银行贷款用户筛选-用户筛选分类预测;;;导入;目录;;线性回归;线性回归;线性回归;线性回归;线性回归;线性回归;线性回归;线性回归;;Logistic回归;Logistic回归;Logistic回归;Logistic回归;;用PyTorch实现logisticregression;用PyTorch实现logisticregression;用PyTorch实现logisticregression;用PyTorch实现logisticregression;用PyTorch实现logisticregression;用PyTorch实现logisticregression;用PyTorch实现logisticregression;用PyTorch实现logisticregression;用PyTorch实现logisticregression;用PyTorch实现logisticregression;用PyTorch实现logisticregression;logisticregression的算法优化;;logisticregression的算法优化;logisticregression的算法优化;;logisticregression的模型可视化;logisticregression的模型可视化;小结;;;多层感知器;;目录;第一节;神经元;输入;输出;连接权值;偏置;激活函数;;;;;神经网络;神经网络的层次划分;训练;感知器;单层感知器;单层感知器;多层感知器;多层感知器;BP神经网络;梯度下降;梯度下降;后向传播;后向传播;Dropout正则化;Dropout正则化;Dropout正则化;Dropout正则化;Dropout正则化;批标准化;批标准化的实现方式;批标准化的实现方式;批标准化的实现方式;批标准化的使用方法;批标准化的使用方法;批标准化的使用方法;批