机器学习40讲
2025-01-03
01__频率视角下的机器学习
2025-01-03
02__贝叶斯视角下的机器学习
2025-01-03
03__学什么与怎么学
2025-01-03
04__计算学习理论
2025-01-03
05__模型的分类方式
2025-01-03
06__模型的设计准则
2025-01-03
07__模型的验证方法
2025-01-03
08__模型的评估指标
2025-01-03
09__实验设计
2025-01-03
10__特征预处理
2025-01-03
11__基础线性回归：一元与多元
2025-01-03
12__正则化处理：收缩方法与边际化
2025-01-03
13__线性降维：主成分的使用
2025-01-03
14__非线性降维：流形学习
2025-01-03
15__从回归到分类：联系函数与降维
2025-01-03
16__建模非正态分布：广义线性模型
2025-01-03
17__几何角度看分类：支持向量机
2025-01-03
18__从全局到局部：核技巧
2025-01-03
19__非参数化的局部模型：K近邻
2025-01-03
20__基于距离的学习：聚类与度量学习
2025-01-03
21__基函数扩展：属性的非线性化
2025-01-03
22__自适应的基函数：神经网络
2025-01-03
23__层次化的神经网络：深度学习
2025-01-03
24__深度编解码：表示学习
2025-01-03
25__基于特征的区域划分：树模型
2025-01-03
26__集成化处理：Boosting与Bagging
2025-01-03
27__万能模型：梯度提升与随机森林
2025-01-03
28__最简单的概率图：朴素贝叶斯
2025-01-03
29__有向图模型：贝叶斯网络
2025-01-03
30__无向图模型：马尔可夫随机场
2025-01-03
31__建模连续分布：高斯网络
2025-01-03
32__从有限到无限：高斯过程
2025-01-03
33__序列化建模：隐马尔可夫模型
2025-01-03
34__连续序列化模型：线性动态系统
2025-01-03
35__精确推断：变量消除及其拓展
2025-01-03
36__确定近似推断：变分贝叶斯
2025-01-03
37__随机近似推断：MCMC
2025-01-03
38__完备数据下的参数学习：有向图与无向图
2025-01-03
38-机器学习40讲
2025-01-03
39__隐变量下的参数学习：EM方法与混合模型
2025-01-03
40__结构学习：基于约束与基于评分
2025-01-03
结课__终有一天，你将为今天的付出骄傲
2025-01-03
开篇词__打通修炼机器学习的任督二脉
2025-01-03
总结课__贝叶斯学习的模型体系
2025-01-03
总结课__机器学习的模型体系