免费人妻中文不卡无码_日本精品爽爽van在线_久久精品国产99久久丝袜蜜桃_女强人被春药精油按摩bd电影

目錄
第1章 緣起初識(shí)機(jī)器學(xué)習(xí)
1．1 機(jī)器學(xué)習(xí)是什么從一個(gè)小任務(wù)說起
1．2 實(shí)踐：數(shù)據(jù)可視化、模型訓(xùn)練與預(yù)測(cè)
1．2．1 對(duì)數(shù)據(jù)進(jìn)行可視化分析
1．2．2 線性回歸模型的訓(xùn)練
1．2．3 查看模型參數(shù)并做出預(yù)測(cè)
1．3 模型怎么評(píng)估
1．3．1 回歸任務(wù)和分類任務(wù)
1．3．2 怎么評(píng)估模型的性能
1．4 什么是模型的泛化能力
1．4．1 訓(xùn)練集和測(cè)試集
1．4．2 模型的過擬合和欠擬合
1．4．3 什么是正則化
1．5 小結(jié)和練習(xí)
第 2 章 Z 書記的考驗(yàn)一些經(jīng)典機(jī)器學(xué)習(xí)算法
2．1 領(lǐng)導(dǎo)的雄心與 N 村的產(chǎn)業(yè)
2．2 水果種植基地的病蟲害與邏輯回歸
2．2．1 土壤條件與病蟲害數(shù)據(jù)集
2．2．2 邏輯回歸模型的訓(xùn)練與評(píng)估
2．2．3 邏輯回歸的原理是什么
2．3 銀飾工坊與決策樹
2．3．1 銀飾工坊銷售數(shù)據(jù)集
2．3．2 決策樹模型的訓(xùn)練與可視化
2．3．3 決策樹模型的工作原理
2．3．4 簡(jiǎn)單說一下隨機(jī)森林
2．4 四季花海與支持向量機(jī)
2．4．1 游客流量數(shù)據(jù)集
2．4．2 訓(xùn)練支持向量機(jī)模型并可視化
2．4．3 SVM 的基本原理
2．5 誰是優(yōu)秀銷售商無監(jiān)督學(xué)習(xí)算法
2．5．1 沒有標(biāo)簽的數(shù)據(jù)集
2．5．2 使用 K-Means 算法完成聚類
2．5．3 K-Means 是如何工作的
2．6 小結(jié)與練習(xí)
第 3 章 大賽在即深度學(xué)習(xí)登場(chǎng)
3．1 比賽數(shù)據(jù)是非結(jié)構(gòu)化數(shù)據(jù)
3．2 亮個(gè)相吧，深度學(xué)習(xí)
3．2．1 什么是神經(jīng)網(wǎng)絡(luò)
3．2．2 動(dòng)手訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)
3．2．3 模型在測(cè)試集上的表現(xiàn)如何
3．3 掰開揉碎看模型
3．3．1 模型的幾個(gè)層和激活函數(shù)
3．3．2 優(yōu)化器與學(xué)習(xí)率
3．3．3 模型的損失函數(shù)
3．4 卷積神經(jīng)網(wǎng)絡(luò)
3．4．1 什么是卷積
3．4．2 動(dòng)手訓(xùn)練 CNN
3．4．3 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵參數(shù)和步驟
3．5 小結(jié)與練習(xí)
第4章 你聽說過生成式模型嗎
4．1 什么是生成式模型
4．2 玩一個(gè)生成式模型游戲
4．2．1 數(shù)據(jù)版你畫我猜
4．2．2 生成式模型的核心思想
4．2．3 什么是表征學(xué)習(xí)
4．3 一點(diǎn)概率論知識(shí)
4．3．1 樣本空間與概率密度函數(shù)
4．3．2 什么是似然性
4．3．3 最大似然估計(jì)
4．4 生成式模型家族來報(bào)到
4．4．1 兩大家族都是誰
4．4．2 顯式密度建模家族的兩大分支
4．4．3 隱式密度建模家族的代表
4．5 小結(jié)與練習(xí)
第5章 教會(huì)機(jī)器寫數(shù)字變分自編碼器
5．1 先介紹一下自編碼器
5．2 動(dòng)手搭建一個(gè)自編碼器
5．2．1 MNIST 數(shù)據(jù)集
5．2．2 先定義一個(gè)編碼器
5．2．3 接下來創(chuàng)建解碼器
5．2．4 把編碼器和解碼器串起來
5．2．5 看看自編碼器寫的數(shù)字
5．2．6 瞧一瞧潛在空間
5．3 再試試變分自編碼器
5．3．1 多變量正態(tài)分布
5．3．2 創(chuàng)建 VAE 的編碼器
5．3．3 解碼器與 KL 散度
5．3．4 看看 VAE 寫的數(shù)字
5．4 小結(jié)與練習(xí)
第6章 又回銀飾工坊生成對(duì)抗網(wǎng)絡(luò)
6．1 銀飾工坊的煩惱
6．2 深度卷積生成對(duì)抗網(wǎng)絡(luò)
6．2．1 數(shù)據(jù)加載與處理
6．2．2 創(chuàng)建生成器
6．2．3 創(chuàng)建判別器
6．2．4 訓(xùn)練我們的 DCGAN 模型
6．3 條件生成對(duì)抗網(wǎng)絡(luò)
6．3．1 CGAN 模型的生成器
6．3．2 CGAN 的判別器
6．3．3 合并生成器與判別器并訓(xùn)練
6．3．4 讓 CGAN畫出我們想要的圖樣
6．4 小結(jié)與練習(xí)
第7章 馳援 T 市自回歸模型
7．1 T 市需要招聘外國(guó)人
7．2 自回歸模型與長(zhǎng)短期記憶網(wǎng)絡(luò)
7．2．1 去哪里找訓(xùn)練數(shù)據(jù)
7．2．2 麻煩的文本數(shù)據(jù)向量化
7．2．3 搭建 LSTM 網(wǎng)絡(luò)模型
7．2．4 嵌入層和 LSTM 層
7．2．5 LSTM 模型的訓(xùn)練
第4章 你聽說過生成式模型嗎
4．1 什么是生成式模型
4．2 玩一個(gè)生成式模型游戲
4．2．1 數(shù)據(jù)版你畫我猜
4．2．2 生成式模型的核心思想
4．2．3 什么是表征學(xué)習(xí)
4．3 一點(diǎn)概率論知識(shí)
4．3．1 樣本空間與概率密度函數(shù)
4．3．2 什么是似然性
4．3．3 最大似然估計(jì)
4．4 生成式模型家族來報(bào)到
4．4．1 兩大家族都是誰
4．4．2 顯式密度建模家族的兩大分支
4．4．3 隱式密度建模家族的代表
4．5 小結(jié)與練習(xí)
第5章 教會(huì)機(jī)器寫數(shù)字變分自編碼器
5．1 先介紹一下自編碼器
5．2 動(dòng)手搭建一個(gè)自編碼器
5．2．1 MNIST 數(shù)據(jù)集
5．2．2 先定義一個(gè)編碼器
5．2．3 接下來創(chuàng)建解碼器
5．2．4 把編碼器和解碼器串起來
5．2．5 看看自編碼器寫的數(shù)字
5．2．6 瞧一瞧潛在空間
5．3 再試試變分自編碼器
5．3．1 多變量正態(tài)分布
7．3 像素的藝術(shù)PixelCNN
7．3．1 像素風(fēng)小英雄來幫忙
7．3．2 創(chuàng)建掩碼卷積層
7．3．3 創(chuàng)建殘差塊
7．3．4 訓(xùn)練 PixelCNN 模型
7．4 小結(jié)與練習(xí)
第8章 四季花海的潑天富貴標(biāo)準(zhǔn)化流模型
8．1 暴漲的游客數(shù)量
8．2 什么是標(biāo)準(zhǔn)化流模型
8．2．1 標(biāo)準(zhǔn)化流模型的兩部分
8．2．2 變量置換
8．2．3 雅可比行列式是什么
8．3 RealNVP 模型
8．3．1 什么是仿射耦合層
8．3．2 仿射耦合層對(duì)數(shù)據(jù)的處理
8．3．3 RealNVP 模型的訓(xùn)練方式
8．3．4 RealNVP 模型的訓(xùn)練與評(píng)估
8．4 小結(jié)與練習(xí)
第9章 愿你一路生花擴(kuò)散模型
9．1 你看花兒開得多好
9．2 什么是擴(kuò)散模型
9．2．1 DDM 的前向擴(kuò)散
9．2．2 擴(kuò)散計(jì)劃
9．2．3 DDM 的反向擴(kuò)散
9．3 用于去噪的 U-Net
9．3．1 U-Net 的整體架構(gòu)
9．3．2 U-Net 中關(guān)鍵組件的實(shí)現(xiàn)
9．3．3 U-Net 的組裝
9．4 DDM 的訓(xùn)練
9．4．1 創(chuàng)建 DDM 的基本框架
9．4．2 DDM 中的圖像生成框架
9．4．3 定義 DDM 的訓(xùn)練與測(cè)試步驟
9．4．4 DDM 的訓(xùn)練與調(diào)用
9．5 小結(jié)與練習(xí)
第 10 章 酒香也怕巷子深試試 Transformer 模型
10．1 葡萄美酒怎么推
10．2 Transformer 模型是什么
10．2．1 Transformer 模型中的注意力
10．2．2 注意力頭中的查詢、鍵和值
10．2．3 因果掩碼
10．2．4 Transformer 模塊
10．2．5 位置編碼
10．3 GPT 模型的搭建與訓(xùn)練
10．3．1 先簡(jiǎn)單處理一下數(shù)據(jù)
10．3．2 將文本轉(zhuǎn)換為數(shù)值
10．3．3 創(chuàng)建因果掩碼
10．3．4 創(chuàng)建 Transformer 模塊
10．3．5 位置編碼嵌入
10．3．6 建立 GPT 模型并訓(xùn)練
10．3．7 調(diào)用 GPT 模型生成文本
10．4 小結(jié)與練習(xí)
第 11 章 高效解決方案Hugging Face
11．1 Hugging Face 是什么
11．2 什么是 Pipeline
11．3 文本生成任務(wù)
11．4 文本情感分析
11．5 問答系統(tǒng)
11．6 文本預(yù)測(cè)
11．7 文本摘要
11．8 小結(jié)與練習(xí)
第 12 章 我說你畫多模態(tài)模型
12．1 E 縣風(fēng)景美如畫
12．2 什么是多模態(tài)模型
12．3 來看看 Stable Dif fusion
12．3．1 Stable Diffusion 的整體架構(gòu)
12．3．2 Stable Diffusion 的文本編碼器
12．3．3 什么是對(duì)比學(xué)習(xí)
12．4 開始實(shí)操吧
12．4．1 一些準(zhǔn)備工作
12．4．2 創(chuàng)建 Pipeline
12．4．3 根據(jù)提示詞生成圖像
12．4．4 使用預(yù)訓(xùn)練 Pipeline 生成圖像
12．5 小結(jié)與練習(xí)
第 11 章 高效解決方案Hugging Face
11．1 Hugging Face 是什么
11．2 什么是 Pipeline
11．3 文本生成任務(wù)
11．4 文本情感分析
11．5 問答系統(tǒng)
11．6 文本預(yù)測(cè)
11．7 文本摘要
11．8 小結(jié)與練習(xí)
第 12 章 我說你畫多模態(tài)模型
12．1 E 縣風(fēng)景美如畫
12．2 什么是多模態(tài)模型
12．3 來看看 Stable Dif fusion
12．3．1 Stable Diffusion 的整體架構(gòu)
12．3．2 Stable Diffusion 的文本編碼器
12．3．3 什么是對(duì)比學(xué)習(xí)
12．4 開始實(shí)操吧
12．4．1 一些準(zhǔn)備工作
12．4．2 創(chuàng)建 Pipeline
12．4．3 根據(jù)提示詞生成圖像
12．4．4 使用預(yù)訓(xùn)練 Pipeline 生成圖像
12．5 小結(jié)與練習(xí)
第 13 章 大結(jié)局各自前程似錦
13．1 往事值得回味
13．2 他們都去哪兒了
13．3 未來已來DeepSeek 與智能體
13．3．1 Cherry Studio 的下載與安裝
13．3．2 將 DeepSeek 作為模型服務(wù)
13．3．3 創(chuàng)建一個(gè)簡(jiǎn)單智能體
13．3．4 與智能體交互
13．4 會(huì)不會(huì)重逢