05、机器学习-线性回归

📂 主文件夹：05、机器学习-线性回归

• 📁 包含文件：章节1：多元线性回归
• 📁 章节2：梯度下降法
• 📁 章节3：归一化
• 📁 章节4：正则化
• 📁 章节5：Lasso回归_Ridge回归_多项式回归
• 🎬 1：理解简单线性回归.mp4
• 🎬 2：最优解_损失函数_MSE.mp4
• 🎬 3：扩展到多元线性回归.mp4
• 🎬 4：理解多元线性回归表达式几种写法的原因.mp4
• 🎬 5：理解维度这个概念.mp4
• 🎬 6：理解回归一词_中心极限定理_正太分布和做预测.mp4
• 🎬 7：假设误差服从正太分布_最大似然估计MLE.mp4
• 🎬 8：引入正太分布的概率密度函数.mp4
• 🎬 9：明确目标通过最大总似然求解θ.mp4
• 🎬 10：对数似然函数_推导出损失函数MSE.mp4
• 🎬 11：把目标函数按照线性代数的方式去表达.mp4
• 🎬 12：推导出目标函数的导函数形式.mp4
• 🎬 13：θ解析解的公式_是否要考虑损失函数是凸函数.mp4
• 🎬 14：Python开发环境版本的选择及下载.mp4
• 🎬 15：Anaconda环境安装_Pycharm环境安装.mp4
• 🎬 16：Pycharm创建脚本并测试python开发环境.mp4
• 🎬 17：解析解的方式求解多元线性回归_数据Xy.mp4
• 🎬 18：解析解的方式求解多元线性回归_求解模型_使用模型_绘制图形.mp4
• 🎬 19：解析解的方式求解多元线性回归_扩展随机种子概念_增加维度代码的变换.mp4
• 🎬 20：Scikit-learn模块的介绍.mp4
• 🎬 21：调用Scikit-learn中的多元线性回归求解模型(上).mp4
• 🎬 22：调用Scikit-learn中的多元线性回归求解模型(下).mp4
• 📕 第一阶段_手把手教你透彻掌握线性回归算法.pdf
• 🎬 23：梯度下降法产生的目的和原因以及思想.mp4
• 🎬 24：梯度下降法公式.mp4
• 🎬 25：学习率设置的学问_全局最优解.mp4
• 🎬 26：梯度下降法迭代流程总结.mp4
• 🎬 27：多元线性回归下的梯度下降法.mp4
• 🎬 28：全量梯度下降.mp4
• 🎬 29：随机梯度下降_小批量梯度下降.mp4
• 🎬 30：对应梯度下降法的问题和挑战.mp4
• 🎬 31：轮次和批次.mp4
• 🎬 32：代码实现全量梯度下降第1步和第2步.mp4
• 🎬 33：代码实现全量梯度下降第3步和第4步.mp4
• 🎬 34：代码实现随机梯度下降.mp4
• 🎬 35：代码实现小批量梯度下降.mp4
• 🎬 36：代码改进保证训练数据全都能被随机取到.mp4
• 🎬 37：代码改进实现随着迭代增加动态调整学习率.mp4
• 📕 第四阶段_梯度下降法_归一化_正则化_多项式升维.pdf