当前课程知识点:机器学习入门 > 第6章 贝叶斯分类 > 第6章 课后作业与讨论 > 第6章讨论
朴素贝叶斯对缺失值敏感吗?
-1.1 绪论
-1.2 应用现状
-1.3 初识机器学习
-1.4 基本术语
-第1章作业与讨论
--第1章 课后作业
--第1章讨论
-2.1 经验误差
-2.2 评估方法
-2.3 比较检验
-2.4 偏差方差
-第2章 课后作业与讨论
--第2章 课后作业
--第2章讨论
-3.1 关联的概念和意义
-3.2 ALS算法
-3.3 FP树算法
-第3章 课后作业
--第3章 课后作业与讨论
--第3章讨论
-4.1 聚类的简介
-4.2 相似性度量
-4.3 K-means算法
-4.4 聚类的应用
-第4章 课后作业与讨论
--第4章课后作业
--第4章讨论
-5.1 基本形式
-5.2 回归的起源
-5.3 线性回归原理
-5.4 线性回归模型的应用
-5.5 模型小结
-第5章 课后作业与讨论
--第5章 课后作业
-6.1 贝叶斯决策论
-6.2 朴素贝叶斯分类器
-6.3 朴素贝叶斯的应用
-第6章 课后作业与讨论
--第6章 课后作业
--第6章讨论
-7.1 决策树的简介
-7.2 决策树的基本流程和划分
-7.3 剪枝
-7.4 随机森林简介
-第7章 课后作业
--第7章 课后作业
-8.1 降维的概念和意义
-8.2 主成分分析
-8.3 度量学习
-第8章 课后作业与讨论
--第8章 课后作业
--第8章讨论
-9.1 神经元模型
-9.2 感知机的工作原理
-9.3 感知机的模型
-9.4 用感知机构造神经网络
-9.5 全连接
-9.6 前向传播过程
-9.7 反向传播过程
-9.8 搭建全神经网络
-9.9 神经网络的优化
-9.10 全连接神经网络的应用
-第9章 课后作业与讨论
--第9章 课后作业
--第9章讨论
-10.1 卷积神经网络的结构
-10.2 卷积计算
-10.3 Padding与池化
-10.4 激活函数
-10.5 卷积神经网络的参数与连接
-10.6 卷积神经网络中从特征到分类
-10.7 损失函数
-10.8 典型卷积神经网络与案例
-第10章 课后作业与讨论
--第10章 课后作业
--第10章讨论
-期末考试