清华讲师大数据机器学习2020年

admin

├─第01章 概述
│      1.机器学习定义和典型应用.mp4
│      2.机器学习和人工智能的关系.mp4
│      3.深度学习方法和其它人工智能方法的共性和差异.mp4
│      4.机器学习和数据挖掘的关系.mp4
│      5.机器学习和统计学习的关系.mp4
│      6.机器学习的发展历程.mp4
│      7.大数据机器学习的主要特点.mp4
│      
├─第02章 机器学习基本概念
│      1机器学习的基本术语.mp4
│      2.监督学习.mp4
│      3.假设空间.mp4
│      4.学习方法三要素.mp4
│      5.奥卡姆剃刀定理.mp4
│      6.没有免费的午餐定理.mp4
│      7.训练误差和测试误差.mp4
│      8.过拟合与模型选择.mp4
│      9.泛化能力.mp4
│      10.生成模型和判别模型.mp4
│      
├─第03章 模型性能评估
│      1.留出法.mp4
│      2.交叉验证法.mp4
│      3.自助法.mp4
│      4.性能度量.mp4
│      5.PR曲线.mp4
│      6.ROC和AUC曲线.mp4
│      7.代价敏感错误率.mp4
│      8.假设检验.mp4
│      9.T检验.mp4
│      10.偏差和方差.mp4
│      
├─第04章 感知机
│      1.感知机模型.mp4
│      2.感知机学习策略.mp4
│      3.感知机学习算法.mp4
│      
├─第05章 聚类
│      1.原型聚类描述.mp4
│      2.性能度量.mp4
│      3.1原型聚类 k均值算法.mp4
│      3.2 原型聚类 学习向量算法.mp4
│      3.3 原型聚类 密度聚类.mp4
│      3.4原型聚类 层次聚类.mp4
│      
├─第06章 贝叶斯分类器及图模型
│      1.综述.mp4
│      2.概率图模型.mp4
│      3.贝叶斯网络.mp4
│      4.朴素贝叶斯分类器.mp4
│      5.半朴素贝叶斯分类器.mp4
│      6.贝叶斯网络结构学习推断.mp4
│      7.吉布斯采样.mp4
│      
├─第07章 决策树和随机森林
│      开头.mp4
│      1.决策树模型与学习基本概念.mp4
│      2.信息量和熵.mp4
│      3.决策树的生成.mp4
│      4.决策树的减枝.mp4
│      5.CART算法.mp4
│      6.随机森林.mp4
│      
├─第08章 逻辑斯谛回归与最大熵模型
│      1.逻辑斯谛回归模型.mp4
│      2.最大熵模型.mp4
│      3.模型学习的最优化方法.mp4
│      
├─第09章 SVM
│      1.开头.mp4
│      2.SVM简介.mp4
│      3.线性可分支持向量机.mp4
│      4. 凸优化问题的基本概念.mp4
│      5.支持向量的确切定义.mp4
│      6.线性支持向量机.mp4
│      
├─第10章 核方法与非线性SVM
│      开头.mp4
│      1.泛函基础知识.mp4
│      2. 核函数和非线性支持向量机.mp4
│      3. 序列最小最优化算法.mp4
│      
├─第11章 降维与度量学习
│      开头(2).mp4
│      1. k近邻学习.mp4
│      2. 降维嵌入.mp4
│      3. 主成分分析.mp4
│      4. 核化线性降维.mp4
│      5. 流型学习和度量学习.mp4
│      
├─第12章 提升方法
│      1. 提升方法Adaboost算法.mp4
│      2. Adaboost算法的训练误差分析.mp4
│      3. Adaboost算法的解释.mp4
│      4. Adaboost的实现.mp4
│      
├─第13章 EM算法及混合高斯模型
│      开头(3).mp4
│      1. 问题提出.mp4
│      2. EM算法的引入.mp4
│      3. EM算法的收敛性.mp4
│      4. EM算法在高斯混合模型学习中的应用.mp4
│      5. EM算法的推广.mp4
│      
├─第14章 计算学习理论
│      开头(4).mp4
│      1. 计算学习理论的基础知识.mp4
│      2. 概率近似正确学习理论.mp4
│      3. 有限假设空间.mp4
│      4. VC维.mp4
│      5. 学习稳定性.mp4
│      
├─第15章 隐马尔可夫模型
│      开头(5).mp4
│      1. 隐马尔科夫模型的基本概念.mp4
│      2. 概率计算算法.mp4
│      3. 学习算法.mp4
│      4预测算法.mp4
│      
├─第16章 条件随机场
│      开头.mp4
│      1.概率无向图模型.mp4
│      2.条件随机场的定义与形式.mp4
│      3.条件随机场的计算问题.mp4
│      4.条件随机场的学习算法.mp4
│      5.条件随机场的预测算法.mp4
│      
├─第17章 概率图模型的学习与推断
│      开头.mp4
│      1.精确推断法：变量消去法和信念传播法.mp4
│      2.近似推断法：MCMC和变分推断.mp4
│      
├─第18章 神经网络和深度学习
│      1.神经网络的发展历程.mp4
│      2.神经网络的基本概念以及常见的神经网络(一）.mp4
│      3.神经网络的基本概念以及常见的神经网络(二）.mp4
│      4.玻尔兹曼机.mp4
│      5.深度学习.mp4
│      
├─第19章 深度学习正则化方法
│      1. 深度学习简介和架构设计.mp4
│      2. 计算图形式的反向传播算法.mp4
│      3.深度学习的正则化方法（一）.mp4
│      4.深度学习的正则化方法（二）.mp4
│      
├─第20章 深度学习优化方法
│      1.深度学习的优化问题.mp4
│      2.神经网络优化的挑战.mp4
│      3.神经网络的优化算法.mp4
│      4.相关策略.mp4
│      
└─00讲义
       第01章_概述.pdf
       第02章_机器学习基本概念.pdf
       第03章_模型性能评估.pdf
       第04章_感知机.pdf
       第05章_聚类.pdf
       第06章_贝叶斯分类器及图模型.pdf
       第07章_决策树和随机森林.pdf
       第08章__逻辑斯谛回归与最大熵模型.pdf
       第09章_SVM.pdf
       第10章_核方法与非线性SVM.pdf
       第11讲_降维与度量学习.pdf
       第12讲_提升方法.pdf
       第13讲_EM算法及混合高斯模型.pdf
       第14讲_计算学习理论.pdf
       第15讲_隐马尔可夫模型.pdf
       第16讲_条件随机场.pdf
       第17讲__概率图模型的学习与推断.pdf
       第18讲__神经网络和深度学习.pdf
       第19讲__深度学习正则化方法.pdf
       第20讲__深度学习优化方法.pdf

下载

游客，如果您要查看本帖隐藏内容请回复

mingye306756711

666666666666666666666

leanonpdl

666666666666666666666666666