王天一-机器学习40讲

课程清单

00.开篇词 _ 打通修炼机器学习的任督二脉.mp3

00.开篇词 _ 打通修炼机器学习的任督二脉.pdf

01 _ 频率视角下的机器学习.mp3

01 _ 频率视角下的机器学习.pdf

02 _ 贝叶斯视角下的机器学习.mp3

02 _ 贝叶斯视角下的机器学习.pdf

03 _ 学什么与怎么学.mp3

03 _ 学什么与怎么学.pdf

04 _ 计算学习理论.mp3

04 _ 计算学习理论.pdf

05 _ 模型的分类方式.mp3

05 _ 模型的分类方式.pdf

06 _ 模型的设计准则.mp3

06 _ 模型的设计准则.pdf

07 _ 模型的验证方法.mp3

07 _ 模型的验证方法.pdf

08 _ 模型的评估指标.mp3

08 _ 模型的评估指标.pdf

09 _ 实验设计.mp3

09 _ 实验设计.pdf

10 _ 特征预处理.mp3

10 _ 特征预处理.pdf

11 _ 基础线性回归：一元与多元.mp3

11 _ 基础线性回归：一元与多元.pdf

12 _ 正则化处理：收缩方法与边际化.mp3

12 _ 正则化处理：收缩方法与边际化.pdf

13 _ 线性降维：主成分的使用.mp3

13 _ 线性降维：主成分的使用.pdf

14 _ 非线性降维：流形学习.mp3

14 _ 非线性降维：流形学习.pdf

15 _ 从回归到分类：联系函数与降维.mp3

15 _ 从回归到分类：联系函数与降维.pdf

16 _ 建模非正态分布：广义线性模型.mp3

16 _ 建模非正态分布：广义线性模型.pdf

17 _ 几何角度看分类：支持向量机.mp3

17 _ 几何角度看分类：支持向量机.pdf

18 _ 从全局到局部：核技巧.mp3

18 _ 从全局到局部：核技巧.pdf

19 _ 非参数化的局部模型：K近邻.mp3

19 _ 非参数化的局部模型：K近邻.pdf

20 _ 基于距离的学习：聚类与度量学习.mp3

20 _ 基于距离的学习：聚类与度量学习.pdf

21 _ 基函数扩展：属性的非线性化.mp3

21 _ 基函数扩展：属性的非线性化.pdf

22 _ 自适应的基函数：神经网络.mp3

22 _ 自适应的基函数：神经网络.pdf

23 _ 层次化的神经网络：深度学习.mp3

23 _ 层次化的神经网络：深度学习.pdf

24 _ 深度编解码：表示学习.mp3

24 _ 深度编解码：表示学习.pdf

25 _ 基于特征的区域划分：树模型.mp3

25 _ 基于特征的区域划分：树模型.pdf

26 _ 集成化处理：Boosting与Bagging.mp3

26 _ 集成化处理：Boosting与Bagging.pdf

27 _ 万能模型：梯度提升与随机森林.mp3

27 _ 万能模型：梯度提升与随机森林.pdf

27-2总结课 _ 机器学习的模型体系.mp3

27-2总结课 _ 机器学习的模型体系.pdf

28 _ 最简单的概率图：朴素贝叶斯.mp3

28 _ 最简单的概率图：朴素贝叶斯.pdf

29 _ 有向图模型：贝叶斯网络.mp3

29 _ 有向图模型：贝叶斯网络.pdf

30 _ 无向图模型：马尔可夫随机场.mp3

30 _ 无向图模型：马尔可夫随机场.pdf

31 _ 建模连续分布：高斯网络.mp3

31 _ 建模连续分布：高斯网络.pdf

32 _ 从有限到无限：高斯过程.mp3

32 _ 从有限到无限：高斯过程.pdf

33 _ 序列化建模：隐马尔可夫模型.mp3

33 _ 序列化建模：隐马尔可夫模型.pdf

34 _ 连续序列化模型：线性动态系统.mp3

34 _ 连续序列化模型：线性动态系统.pdf

35 _ 精确推断：变量消除及其拓展.mp3

35 _ 精确推断：变量消除及其拓展.pdf

36 _ 确定近似推断：变分贝叶斯.mp3

36 _ 确定近似推断：变分贝叶斯.pdf

37 _ 随机近似推断：MCMC.mp3

37 _ 随机近似推断：MCMC.pdf

38 _ 完备数据下的参数学习：有向图与无向图.mp3

38 _ 完备数据下的参数学习：有向图与无向图.pdf

39 _ 隐变量下的参数学习：EM方法与混合模型.mp3

39 _ 隐变量下的参数学习：EM方法与混合模型.pdf

40 _ 结构学习：基于约束与基于评分.mp3

40 _ 结构学习：基于约束与基于评分.pdf

41.总结课 _ 贝叶斯学习的模型体系.mp3

41.总结课 _ 贝叶斯学习的模型体系.pdf

结课 _ 终有一天，你将为今天的付出骄傲.mp3

结课 _ 终有一天，你将为今天的付出骄傲.pdf