开篇词 (1讲)
开篇词 | 打通修炼机器学习的任督二脉
时长 07:11
机器学习概观 (10讲)
01 | 频率视角下的机器学习
时长 18:07
02 | 贝叶斯视角下的机器学习
时长 17:04
03 | 学什么与怎么学
时长 14:35
04 | 计算学习理论
时长 18:39
05 | 模型的分类方式
时长 18:17
06 | 模型的设计准则
时长 17:14
07 | 模型的验证方法
时长 19:46
08 | 模型的评估指标
时长 17:52
09 | 实验设计
时长 12:37
10 | 特征预处理
时长 17:05
统计机器学习模型 (18讲)
11 | 基础线性回归:一元与多元
时长 23:35
12 | 正则化处理:收缩方法与边际化
时长 21:24
13 | 线性降维:主成分的使用
时长 21:17
14 | 非线性降维:流形学习
时长 19:30
15 | 从回归到分类:联系函数与降维
时长 19:12
16 | 建模非正态分布:广义线性模型
时长 18:40
17 | 几何角度看分类:支持向量机
时长 18:04
18 | 从全局到局部:核技巧
时长 17:19
19 | 非参数化的局部模型:K近邻
时长 21:57
20 | 基于距离的学习:聚类与度量学习
时长 16:30
21 | 基函数扩展:属性的非线性化
时长 17:53
22 | 自适应的基函数:神经网络
时长 18:45
23 | 层次化的神经网络:深度学习
时长 13:54
24 | 深度编解码:表示学习
时长 16:02
25 | 基于特征的区域划分:树模型
时长 16:07
26 | 集成化处理:Boosting与Bagging
时长 15:20
27 | 万能模型:梯度提升与随机森林
时长 18:02
总结课 | 机器学习的模型体系
时长 14:45
概率图模型 (14讲)
隐藏内容
此处内容需要权限查看
会员免费查看28 | 最简单的概率图:朴素贝叶斯
时长 17:43
29 | 有向图模型:贝叶斯网络
时长 16:51
30 | 无向图模型:马尔可夫随机场
时长 16:43
31 | 建模连续分布:高斯网络
时长 14:45
32 | 从有限到无限:高斯过程
时长 15:30
33 | 序列化建模:隐马尔可夫模型
时长 15:31
34 | 连续序列化模型:线性动态系统
时长 15:04
35 | 精确推断:变量消除及其拓展
时长 21:08
36 | 确定近似推断:变分贝叶斯
时长 15:04
37 | 随机近似推断:MCMC
时长 16:57
38 | 完备数据下的参数学习:有向图与无向图
时长 13:48
39 | 隐变量下的参数学习:EM方法与混合模型
时长 16:11
40 | 结构学习:基于约束与基于评分
时长 13:40
总结课 | 贝叶斯学习的模型体系
时长 08:07
结束语 (1讲)
结课 | 终有一天,你将为今天的付出骄傲
时长 05:12
加餐 (2讲)
如何成为机器学习工程师?
时长 17:08
结课测试 | 这些机器学习知识你都掌握了吗?
时长 00:23
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。