《《机器学习》在线班》1[MP4]
01.微积分与概率论基础.mp4 | 1.5GB |
02.参数估计与矩阵运算基础.mp4 | 1.5GB |
03.凸优化基础.mp4 | 1.5GB |
04.广义线性回归和对偶优化.mp4 | 1.9GB |
05.梯度下降和拟牛顿.mp4 | 1.6GB |
06.最大熵模型.mp4 | 1.6GB |
07.聚类方法.mp4 | 1.6GB |
08.决策树和随机森林.mp4 | 1.6GB |
[《机器学习》在线班].09.Adaboost.mp4 | 1.3GB |
10.贝叶斯网络.mp4 | 1.8GB |
11.支持向量机.mp4 | 1.5GB |
[《机器学习》在线班].12.EM.mp4 | 938.9MB |
12.衣服推荐系统by黄高乐.mp4 | 493.5MB |
13.主题模型.mp4 | 2.3GB |
14-15.IP与MCMC(上).mp4 | 509.7MB |
14-15.IP与MCMC(中).mp4 | 533.2MB |
14-15.IP与MCMC(下).mp4 | 545MB |
16.七月算法.条件随机场1.flv | 338MB |
16.七月算法.条件随机场2.flv | 334.8MB |
16.七月算法.条件随机场3.flv | 306.2MB |
17.PCA-SVD(上).mp4 | 520.1MB |
17.PCA-SVD(中).mp4 | 498.1MB |
17.PCA-SVD(下).mp4 | 424.6MB |
[《机器学习》在线班].18.CNN.mp4 | 1.8GB |
19.变分.mp4 | 2.3GB |
20.代码实现.mp4 | 1.2GB |
30.2GB |
目录:
第1~4次课,机器学习中的基础:
微积分(函数与极限、导数与微分、不定积分与定积分)、概率论与数理统计(期望方差、大数定律、二项分布、中心极限定理、正态分布)
矩阵(正交矩阵、协方差矩阵、SVD)
最优化(凸函数、凸优化、对偶问题)
极大似然估计、最小二乘、线性回归、logistic回归
第5次课,牛顿、拟牛顿、梯度下降、随机梯度下降(SGD)
第6次课,熵、最大熵模型MaxEnt、改进的迭代尺度法IIS
第7次课,聚类(k-means、层次聚类、谱聚类等)
第8~12次课,分类
K近邻、决策树、随机森林(random decision forests)、15分钟实践(随机森林运用)
Adaboost(包括公式推导、加法模型、指数损失函数的理解)
朴素贝叶斯、与贝叶斯网络(Bayesian Network)
支持向量机(最大间隔分类、拉格朗日乘值、对偶问题、损失函数、最优化理论、SMO)、半小时实践(libsvm的简单运用)
EM、混合高斯模型
第13次课,主题模型(概率潜语义分析PLSA、隐含狄利克雷分布LDA)、15分钟实践(文档主题的提取)
第14~15次课,标注
马尔科夫链、隐马尔可夫模型HMM(Hidden Markov Model)
采样
第16次课,马尔可夫随机场(Markov Random Field)、条件随机场CRF等等
第17次课,SVD、主成分分析PCA、因子分析、独立成分分析ICA
第18次课,卷积神经网络(CNN)、深度学习浅析
第19次课,变分推断方法(Variational Inference)
第20次课,知识图谱
课程大纲:
人工智能、大数据分析、机器人等领域在近年来日益引人瞩目,而机器学习则是其中一类非常重要的理论和工具。本套资料从零开始介绍简单的Python语法以及如何用Python语言来写机器学习的模型。每一个章节环环相扣,配合代码样例,非常适合希望了解机器学习领域的初学者,甚至没有编程基础的学生。