王天一-机器学习40讲
课程下载
本课程供VIP会员免费学习。
下载途径:通过网盘转存下载。
课程介绍
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