程序员的数学基础课PCA主成分分析（上）：如何利用协方差矩阵来降维？ PCA主成分分析（下）：为什么要计算协方差矩阵的特征值和特征向量？ 概率和统计：编程为什么需要概率和统计？ 概率基础（上）：一篇文章帮你理解随机变量、概率分布和期望值 概率基础（下）：联合概率、条件概率和贝叶斯法则，这些概率公式究竟能做什么？ 概率统计篇答疑和总结：为什么会有欠拟合和过拟合？ 归一化和标准化：各种特征如何综合才是最合理的？ 矩阵（上）：如何使用矩阵操作进行PageRank计算？ 矩阵（下）：如何使用矩阵操作进行协同过滤推荐？ 决策树：信息增益、增益比率和基尼指数的运用 马尔科夫模型：从PageRank到语音识别，背后是什么模型在支撑？ 朴素贝叶斯：如何让计算机学会自动分类？ 奇异值分解：如何挖掘潜在的语义关系？ 熵、信息增益和卡方：如何寻找关键特征？ 统计意义（上）：如何通过显著性检验，判断你的A-B测试结果是不是巧合？ 统计意义（下）：如何通过显著性检验，判断你的A-B测试结果是不是巧合？ 文本分类：如何区分特定类型的新闻？ 文本检索：如何让计算机处理自然语言？ 文本聚类：如何过滤冗余的新闻？ 线性代数：线性代数到底都讲了些什么？ 线性代数篇答疑和总结：矩阵乘法的几何意义是什么？ 线性回归（上）：如何使用高斯消元求解线性方程组？ 线性回归（下）：如何使用最小二乘法进行效果验证？ 线性回归（中）：如何使用最小二乘法进行直线拟合？ 向量空间模型：如何让计算机理解现实事物之间的关系？ 信息熵：如何通过几个问题，测出你对应的武侠人物？ 语言模型：如何使用链式法则和马尔科夫假设简化概率模型？ 
声明：本站大部分资源来源于网络，除本站组织的资源外，版权归原作者所有，如有侵犯版权，请立刻和本站联系并提供证据，本站将在三个工作日内改正。 本站仅提供学习的平台，将不对任何资源负法律责任，只作为购买原版的参考，并无法代替原版，所有资源请在下载后24小时内删除；资源版权归作者所有，如果您觉得满意，请购买正版。您若发现本站侵犯了你的版权利益，请来信本站将立即予以删除！
