stanford-cs-229-machine-learning
Fiches pratiques VIP pour le CS 229 Machine Learning de Stanford
Référez-vous à des résumés concis des concepts clés du cours d'apprentissage automatique de Stanford.
Depuis le README
- Refreshers in related topics that highlight the key points of the prerequisites of the course.
- Cheatsheets for each machine learning field, as well as another dedicated to tips and tricks to have in mind when training a model.
- All elements of the above combined in an ultimate compilation of concepts, to have with you at all times!
Extraits du README du projet sur GitHub. Le droit d'auteur et les licences restent la propriété des auteurs respectifs.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentFiches pratiques VIP pour le CS 229 Machine Learning de Stanford
stanford-cs-229-machine-learning compte 19.8k étoiles sur GitHub. Il a été forké 4.2k fois. Il est développé activement depuis 2018. stanford-cs-229-machine-learning est disponible sous licence MIT. Ses principaux thèmes sont : cheatsheet, cs229, data-science, deep-learning.
Qu'est-ce que stanford-cs-229-machine-learning ?
Fiches pratiques VIP pour le CS 229 Machine Learning de Stanford
stanford-cs-229-machine-learning est-il open source ?
stanford-cs-229-machine-learning est un projet open source. Il est distribué sous licence MIT.
stanford-cs-229-machine-learning est-il gratuit ?
Oui. stanford-cs-229-machine-learning est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
Sous quelle licence est stanford-cs-229-machine-learning ?
stanford-cs-229-machine-learning est disponible sous licence MIT.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://olud.ai/project/afshinea-stanford-cs-229-machine-learning.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.