机器学习40讲
10100-01-10
01__频率视角下的机器学习
10100-01-10
02__贝叶斯视角下的机器学习
10100-01-10
03__学什么与怎么学
10100-01-10
04__计算学习理论
10100-01-10
05__模型的分类方式
10100-01-10
06__模型的设计准则
10100-01-10
07__模型的验证方法
10100-01-10
08__模型的评估指标
10100-01-10
09__实验设计
10100-01-10
10__特征预处理
10100-01-10
11__基础线性回归：一元与多元
10100-01-10
12__正则化处理：收缩方法与边际化
10100-01-10
13__线性降维：主成分的使用
10100-01-10
14__非线性降维：流形学习
10100-01-10
15__从回归到分类：联系函数与降维
10100-01-10
16__建模非正态分布：广义线性模型
10100-01-10
17__几何角度看分类：支持向量机
10100-01-10
18__从全局到局部：核技巧
10100-01-10
19__非参数化的局部模型：K近邻
10100-01-10
20__基于距离的学习：聚类与度量学习
10100-01-10
21__基函数扩展：属性的非线性化
10100-01-10
22__自适应的基函数：神经网络
10100-01-10
23__层次化的神经网络：深度学习
10100-01-10
24__深度编解码：表示学习
10100-01-10
25__基于特征的区域划分：树模型
10100-01-10
26__集成化处理：Boosting与Bagging
10100-01-10
27__万能模型：梯度提升与随机森林
10100-01-10
28__最简单的概率图：朴素贝叶斯
10100-01-10
29__有向图模型：贝叶斯网络
10100-01-10
30__无向图模型：马尔可夫随机场
10100-01-10
31__建模连续分布：高斯网络
10100-01-10
32__从有限到无限：高斯过程
10100-01-10
33__序列化建模：隐马尔可夫模型
10100-01-10
34__连续序列化模型：线性动态系统
10100-01-10
35__精确推断：变量消除及其拓展
10100-01-10
36__确定近似推断：变分贝叶斯
10100-01-10
37__随机近似推断：MCMC
10100-01-10
38__完备数据下的参数学习：有向图与无向图
10100-01-10
38-机器学习40讲
10100-01-10
39__隐变量下的参数学习：EM方法与混合模型
10100-01-10
40__结构学习：基于约束与基于评分
10100-01-10
结课__终有一天，你将为今天的付出骄傲
10100-01-10
开篇词__打通修炼机器学习的任督二脉
10100-01-10
总结课__贝叶斯学习的模型体系
10100-01-10
总结课__机器学习的模型体系