人工智能之机器学习帮你打通机器学习任督二脉40讲，资源教程下载

课程名称

人工智能之机器学习帮你打通机器学习任督二脉40讲，资源教程下载

课程目录

180604-开篇词 _ 打通修炼机器学习的任督二脉

180605-01 _ 频率视角下的机器学习

180607-02 _ 贝叶斯视角下的机器学习

180609-03 _ 学什么与怎么学

180612-04 _ 计算学习理论

180614-05 _ 模型的分类方式

180616-06 _ 模型的设计准则

180619-07 _ 模型的验证方法

180621-08 _ 模型的评估指标

180623-09 _ 实验设计

180626-10 _ 特征预处理

180628-11 _ 基础线忄生回归：一元与多元

180630-12 _ 正则化处理：收缩方法与边际化

180703-13 _ 线忄生降维：主成分的使用

180705-14 _ 非线忄生降维：流形学习

180707-15 _ 从回归到分类：联系函数与降维

180710-16 _ 建模非正态分布：广义线忄生模型

180712-17 _ 几何角度看分类：支持向量机

180714-18 _ 从全局到局部：核技巧

180717-19 _ 非参数化的局部模型：K近邻

180719-20 _ 基于距离的学习：聚类与度量学习

180721-21 _ 基函数扩展：属忄生的非线忄生化

180724-22 _ 自适应的基函数：神经网络

180726-23 _ 层次化的神经网络：深度学习

180728-24 _ 深度编解码：表示学习

180731-25 _ 基于特征的区域划分：树模型

180802-26 _ 集成化处理：Boosting与Bagging

180804-27 _ 万能模型：梯度提升与随机森林

180807-总结课 _ 机器学习的模型体系

180809-28 _ 最简单的概率图：朴素贝叶斯

180811-29 _ 有向图模型：贝叶斯网络

180814-30 _ 无向图模型：马尔可夫随机场

180816-31 _ 建模连续分布：高斯网络

180818-32 _ 从有限到无限：高斯过程

180821-33 _ 序列化建模：隐马尔可夫模型

180823-34 _ 连续序列化模型：线忄生动态系统

180825-35 _ 精确推断：变量消除及其拓展

180828-36 _ 确定近似推断：变分贝叶斯

180830-37 _ 随机近似推断：MCMC

180901-38 _ 完备数据下的参数学习：有向图与无向图

180904-39 _ 隐变量下的参数学习：EM方法与混合模型

180906-40 _ 结构学习：基于约束与基于评分

180908-总结课 _ 贝叶斯学习的模型体系

180911-结课 _ 终有一天，你将为今天的付出骄傲