Справка
x
Поиск
Закладки
Озвучить книгу
Изменить режим чтения
Изменить размер шрифта
Оглавление
Для озвучивания и цитирования книги перейдите в режим постраничного просмотра.
Основы работы с моделями машинного и глубокого обучения
Глава 1. Теоретические положения базовых алгоритмов машинного и глубокого обучения
Поставить закладку
Алгоритм линейной регрессии
Если Вы наш подписчик,то для того чтобы скопировать текст этой страницы в свой конспект,
используйте
просмотр в виде pdf
. Вам доступно 17 стр. из этой главы.
Для продолжения работы требуется
Registration
Предыдущая страница
Следующая страница
Table of contents
Введение
Глава 1. Теоретические положения базовых алгоритмов машинного и глубокого обучения
-
Алгоритм линейной регрессии
Алгоритм логистической регрессии
Гребневая регрессия
Алгоритм к ближайших соседей (к Nearest Neighbor)
Алгоритм деревья решений (Decision Tree)
Наивный Байес (классификатор)
Метод опорных векторов
Алгоритм кластеризации на основе плотности
Генетические алгоритмы
Алгоритм ансамблирования бэггинг
Алгоритм ансамблирования стекинг
Сеть векторного квантования (LVQ)
Кластеризация на основе распределений
Алгоритм кластеризации кластерный центроид
Иерархические алгоритмы (иерархия кластеров)
Искусственная нейронная сеть
Рекуррентная нейронная сеть
Глава 2. Практическая реализация базовых алгоритмов машинного и глубокого обучения на языке программирования Python 3.9.1
+
Библиографический список
Приложение А. Варианты заданий для самостоятельной реализации моделей машинного и глубокого обучения
Данный блок поддерживает скрол*