机器学习入门学习40课 2020

admin

├─01-课程介绍 (1讲)
│      00.打通修炼机器学习的任督二脉
│      
├─02-机器学习概观 (10讲)
│      01.频率视角下的机器学习
│      02.贝叶斯视角下的机器学习
│      03.学什么与怎么学
│      04.计算学习理论
│      05.模型的分类方式
│      06.模型的设计准则
│      07.模型的验证方法
│      08.模型的评估指标
│      09.实验设计
│      10.特征预处理
│      
├─03-统计机器学习模型 (18讲)
│      11.基础线性回归：一元与多元
│      12.正则化处理：收缩方法与边际化
│      13.线性降维：主成分的使用
│      14.非线性降维：流形学习
│      15.从回归到分类：联系函数与降维
│      16.建模非正态分布：广义线性模型
│      17.几何角度看分类：支持向量机
│      18.从全局到局部：核技巧
│      19.非参数化的局部模型：K近邻
│      20.基于距离的学习：聚类与度量学习
│      21.基函数扩展：属性的非线性化
│      22.自适应的基函数：神经网络
│      23.层次化的神经网络：深度学习
│      24.深度编解码：表示学习
│      25.基于特征的区域划分：树模型
│      26.集成化处理：Boosting与Bagging
│      27.万能模型：梯度提升与随机森林
│      总结课.机器学习的模型体系
│      
├─04-概率图模型 (14讲)
│      28.最简单的概率图：朴素贝叶斯
│      29.有向图模型：贝叶斯网络
│      30.无向图模型：马尔可夫随机场
│      31.建模连续分布：高斯网络
│      32.从有限到无限：高斯过程
│      33.序列化建模：隐马尔可夫模型
│      34.连续序列化模型：线性动态系统
│      35.精确推断：变量消除及其拓展
│      36.确定近似推断：变分贝叶斯
│      37.随机近似推断：MCMC
│      38.完备数据下的参数学习：有向图与无向图
│      39.隐变量下的参数学习：EM方法与混合模型
│      40.结构学习：基于约束与基于评分
│      总结课.贝叶斯学习的模型体系
│      
└─05-寄语 (1讲)
        结课.终有一天，你将为今天的付出骄傲

下载

游客，如果您要查看本帖隐藏内容请回复

a110642

谢谢楼主分享！