机器学习40讲

2024-04-21 01|频率视角下的机器学习
2024-04-21 02|贝叶斯视角下的机器学习
2024-04-21 03|学什么与怎么学
2024-04-21 04|计算学习理论
2024-04-21 05|模型的分类方式
2024-04-21 06|模型的设计准则
2024-04-21 07|模型的验证方法
2024-04-21 08|模型的评估指标
2024-04-21 09|实验设计
2024-04-21 10|特征预处理
2024-04-21 11|基础线性回归：一元与多元
2024-04-21 12|正则化处理：收缩方法与边际化
2024-04-21 13|线性降维：主成分的使用
2024-04-21 14|非线性降维：流形学习
2024-04-21 15|从回归到分类：联系函数与降维
2024-04-21 16|建模非正态分布：广义线性模型
2024-04-21 17|几何角度看分类：支持向量机
2024-04-21 18|从全局到局部：核技巧
2024-04-21 19|非参数化的局部模型：K近邻
2024-04-21 20|基于距离的学习：聚类与度量学习
2024-04-21 21|基函数扩展：属性的非线性化
2024-04-21 22|自适应的基函数：神经网络
2024-04-21 23|层次化的神经网络：深度学习
2024-04-21 24|深度编解码：表示学习
2024-04-21 25|基于特征的区域划分：树模型
2024-04-21 26|集成化处理：Boosting与Bagging
2024-04-21 27|万能模型：梯度提升与随机森林
2024-04-21 28|最简单的概率图：朴素贝叶斯
2024-04-21 29|有向图模型：贝叶斯网络
2024-04-21 30|无向图模型：马尔可夫随机场
2024-04-21 31|建模连续分布：高斯网络
2024-04-21 32|从有限到无限：高斯过程
2024-04-21 33|序列化建模：隐马尔可夫模型
2024-04-21 34|连续序列化模型：线性动态系统
2024-04-21 35|精确推断：变量消除及其拓展
2024-04-21 36|确定近似推断：变分贝叶斯
2024-04-21 37|随机近似推断：MCMC
2024-04-21 38-机器学习40讲
2024-04-21 38|完备数据下的参数学习：有向图与无向图
2024-04-21 39|隐变量下的参数学习：EM方法与混合模型
2024-04-21 40|结构学习：基于约束与基于评分
2024-04-21 结课|终有一天，你将为今天的付出骄傲
2024-04-21 开篇词|打通修炼机器学习的任督二脉
2024-04-21 总结课|贝叶斯学习的模型体系
2024-04-21 总结课|机器学习的模型体系