人工智能

白天 夜间 首页 下载 阅读记录
  我的书签   添加书签   移除书签

6.8 算法选择指导

浏览 114 扫码 分享 2023-03-26 14:48:09
  • ">关于在计算的过程中，如何选择合适的算法进行计算，可以参考scikit learn官方给的指导意见：scikit-learn算法选择路径图.png

    关于在计算的过程中，如何选择合适的算法进行计算，可以参考scikit learn官方给的指导意见：scikit-learn算法选择路径图.png

    若有收获，就点个赞吧

    0 人点赞

    上一篇:
    下一篇:
    • 书签
    • 添加书签 移除书签
    • 数据分析
      • 黑马教育
        • 数据分析课程
        • Day01
          • page15
          • page21
          • page29
          • page30
        • Day02
          • page38
          • page41
          • page43
          • page46
          • page48
          • page58
        • Day03
          • page74
        • Day04
        • Day05
          • page124
          • page125
          • page130
          • page140
          • page141
        • Day06
          • page142
          • page148
          • page149
    • 深度学习
      • Pytorch深度学习
        • PyTorch 深度学习实践 第1讲
        • PyTorch 深度学习实践 第2讲
        • PyTorch 深度学习实践 第3讲
          • 批大小、batch、mini-batch、epoch的区别
          • Mini-batch 和batch的区别
      • 吴恩达
        • 课件
        • C1W1——深度学习概论
        • C1W1——深度学习概论——练习题
        • C1W2——神经网络基础-1
        • C1W2——神经网络基础-2
        • C1W2——神经网络基础-3
        • C1W2——神经网络基础——练习题
        • C1W3——浅层神经网络-1
        • C1W3——浅层神经网络-2
        • C1W3——浅层神经网络——练习题
        • C1W4——深层神经网络-1
        • C1W4——深层神经网络-2
        • C1W4——深层神经网络——练习题
        • C2W1——神经网络优化基础及正则化-1
        • C2W1——神经网络优化基础及正则化-2
        • C2W1——神经网络优化基础及正则化-3
        • C2W1——神经网络优化基础及正则化——练习题
        • C2W2——算法优化-1
        • C2W2——算法优化-2
        • C2W2——算法优化——练习题
        • C2W3——超参数调试、Batch正则化和程序框架-1
        • C2W3——超参数调试、Batch正则化和程序框架-2
        • C2W3——超参数调试、Batch 正则化和程序框架——练习题
        • C3W1——机器学习策略1-1
        • C3W1——机器学习策略1-2
        • C3W1——机器学习策略1-3
        • C3W1——机器学习策略1——练习题
        • C3W2——机器学习策略2-1
        • C3W2——机器学习策略2-2
        • C3W2——机器学习策略2——练习题
        • C4W1——卷积神经网络-1
        • C4W1——卷积神经网络-2
        • C4W1——卷积神经网络-3
        • C4W1——卷积神经网络——练习题
        • C4W2——深度卷积网络实例探究-1
        • C4W2——深度卷积网络实例探究-2
        • C4W2——深度卷积网络实例探究——练习题
        • C4W3——目标检测-1
        • C4W3——目标检测-2
        • C4W3——目标检测——练习题
        • C4W4——特殊应用：人脸识别和神经风格转换-1
        • C4W4——特殊应用：人脸识别和神经风格转换-2
        • C4W4——特殊应用：人脸识别和神经风格转换-3
        • C4W4——特殊应用：人脸识别和神经风格转换——练习题
        • C5W1——循环序列模型（RNN）-1
        • C5W1——循环序列模型（RNN）-2
        • C5W1——循环序列模型（RNN）-3
        • C5W1——循环序列模型（RNN）——练习题
        • C5W2——自然语言处理与词嵌入-1
        • C5W2——自然语言处理与词嵌入-2
        • C5W2——自然语言处理与词嵌入-3
        • C5W2——自然语言处理与词嵌入——练习题
        • C5W3——序列模型和注意力机制-1
        • C5W3——序列模型和注意力机制-2
        • C5W3——序列模型和注意力机制-3
        • C5W3——序列模型和注意力机制——练习题
    • 机器学习
      • 阿里云算法
        • LR-LeastSquareMethod
        • LR-GradientDescent
        • KNN-Regression
        • KNN-Classification
        • LogisticRegression
        • KMeansClustering
        • Perception
        • DecisionTreeID3
      • 吴恩达
        • 1.CS229-LinearAlgebra
        • 2.CS229-Prob
        • 3.CS229-Math
        • week1
        • week2
        • week3
        • week4
        • week5
        • week6
        • week7
        • week8
        • week9
        • week10
      • 黑马教育
        • 机器学习（常用科学计算库的使用）基础定位、目标
        • 机器学习概述
          • 1.1 人工智能概述
          • 1.2 人工智能发展历程
          • 1.3 人工智能主要分支
          • 1.4 机器学习工作流程
          • 1.5 机器学习算法分类
          • 1.6 模型评估
          • 1.7 Azure机器学习模型搭建实验
          • 1.8 深度学习简介
        • 机器学习基础环境安装与使用
          • 2.1 库的安装
          • 2.2 Jupyter Notebook使用
        • Matplotlib
          • 3.1 Matplotlib之HelloWorld
          • 3.2 基础绘图功能 — 以折线图为例
          • 3.3 常见图形绘制
        • Numpy
          • 4.1 Numpy优势
          • 4.2 N维数组-ndarray
          • 4.3 基本操作
          • 4.4 ndarray运算
          • 4.5 数组间运算
          • 4.6 数学：矩阵
        • Pandas
          • 5.1Pandas介绍
          • 5.2 Pandas数据结构
          • 5.3 基本数据操作
          • 5.4 DataFrame运算
          • 5.5 Pandas画图
          • 5.6 文件读取与存储
          • 5.7 高级处理-缺失值处理
          • 5.8 高级处理-数据离散化
          • 5.9 高级处理-合并
          • 5.10 高级处理-交叉表与透视表
          • 5.11 高级处理-分组与聚合
          • 5.12 案例
        • 拓展阅读
          • 完整机器学习项目的流程（拓展阅读）
          • 独立同分布IID(independent and identically distributed)
        • 机器学习算法课程定位、目标
        • K-近邻算法
          • 1.1 K-近邻算法简介
          • 1.2 k近邻算法api初步使用
          • 1.3 距离度量
          • 1.4 k值的选择
          • 1.5 kd树
          • 1.6 案例：鸢尾花种类预测--数据集介绍
          • 1.7 特征工程-特征预处理
          • 1.8 案例：鸢尾花种类预测—流程实现
          • 1.9 总结
          • 1.10 交叉验证，网格搜索
          • 1.11 案例2：预测facebook签到位置
        • 线性回归
          • 2.1 线性回归简介
          • 2.2 线性回归api初步使用
          • 2.3 数学:求导
          • 2.4 线性回归的损失和优化
          • 2.5 梯度下降法介绍
          • 2.6 线性回归api再介绍
          • 2.7 案例：波士顿房价预测
          • 2.8 欠拟合和过拟合
          • 2.9 正则化线性模型
          • 2.10 线性回归的改进-岭回归
          • 2.11 模型的保存和加载
        • 逻辑回归
          • 3.1 逻辑回归介绍
          • 3.2 逻辑回归api介绍
          • 3.3 案例：癌症分类预测-良／恶性乳腺癌肿瘤预测
          • 3.4 分类评估方法
          • 3.5 ROC曲线的绘制
        • 决策树算法
          • 4.1 决策树算法简介
          • 4.2 决策树分类原理
          • 4.3 cart剪枝
          • 4.4 特征工程-特征提取
          • 4.5 决策树算法api
          • 4.6 案例：泰坦尼克号乘客生存预测
        • 集成学习
          • 5.1 集成学习算法简介
          • 5.2 Bagging和随机森林
          • 5.3 Boosting
        • 聚类算法
          • 6.1 聚类算法简介
          • 6.2 聚类算法api初步使用
          • 6.3 聚类算法实现流程
          • 6.4 模型评估
          • 6.5 算法优化
          • 6.6 特征降维
          • 6.7 案例：探究用户对物品类别的喜好细分降维
          • 6.8 算法选择指导
    暂无相关搜索结果！

      让时间为你证明

      展开/收起文章目录

      分享，让知识传承更久远

      文章二维码

      手机扫一扫，轻松掌上读

      文档下载

      请下载您需要的格式的文档，随时随地，享受汲取知识的乐趣！
      PDF文档 EPUB文档 MOBI文档

      书签列表

        阅读记录

        阅读进度: 0.00% ( 0/0 ) 重置阅读进度
          思维导图备注