神经网络简介
Back to Home
01. 讲师
02. 简介
03. 分类问题
04. 分类问题 2
05. 线性界线
06. 更高维度的界线
07. 感知器
08. 为何称为“神经网络”？
09. 用感知器实现简单逻辑运算
10. 感知器技巧 - 计算机如何“学习”分类？
11. 感知器算法
12. 非线性界线
13. 误差函数
14. 误差函数与梯度下降
15. 离散型与连续型 - 为什么使用sigmoid函数
16. 多类别分类与Softmax 函数
17. One-Hot 编码
18. 最大似然率
19. 最大化概率
20. 交叉熵 1-损失函数
21. 交叉熵 2-损失函数
22. 多类别交叉熵
23. Logistic 回归
24. 梯度下降
25. 梯度下降算法推导与实现
26. Notebook 注意事项：梯度下降法
27. [Lab] 梯度下降
28. 感知器和梯度下降
29. 连续型感知器
30. 非线性数据
31. 非线性模型
32. 神经网络结构
33. 前向反馈
34. 反向传播
35. Notebook 注意事项：分析学生数据
36. [Lab] 分析学生数据
37. 小结
Back to Home
06. 更高维度的界线
更高维度
修正：视频中表格下方的箭头囊括范围应不包含最后一列。
Next Concept