人工智能基础课程,机器学习教程下载

2020-04-05_142533.png

课程介绍:

那么,怎样入门机器学习?又有哪些学习路径呢?无论机器学习领域充斥着多少花哨的技术,归根结底,都是基本模型与基本方法的结合,而理解这些基本模型和基本方法就是掌握机器学习的要义所在。那么,问题来了,这么多模型到底要怎么学习呢?

        课程目录:

开篇词 _ 打通修炼机器学习的任督二脉.html

01 _ 频率视角下的机器学习.html

02 _ 贝叶斯视角下的机器学习.html

03 _ 学什么与怎么学.html

04 _ 计算学习理论.html

05 _ 模型的分类方式.html

06 _ 模型的设计准则.html

07 _ 模型的验证方法.html

08 _ 模型的评估指标.html

09 _ 实验设计.html

10 _ 特征预处理.html

11 _ 基础线性回归:一元与多元.html

12 _ 正则化处理:收缩方法与边际化.html

13 _ 线性降维:主成分的使用.html

14 _ 非线性降维:流形学习.html

15 _ 从回归到分类:联系函数与降维.html

16 _ 建模非正态分布:广义线性模型.html

17 _ 几何角度看分类:支持向量机.html

18 _ 从全局到局部:核技巧.html

19 _ 非参数化的局部模型:K近邻.html

20 _ 基于距离的学习:聚类与度量学习.html

21 _ 基函数扩展:属性的非线性化.html

22 _ 自适应的基函数:神经网络.html

23 _ 层次化的神经网络:深度学习.html

24 _ 深度编解码:表示学习.html

25 _ 基于特征的区域划分:树模型.html

26 _ 集成化处理:Boosting与Bagging.html

27 _ 万能模型:梯度提升与随机森林.html

总结课 _ 机器学习的模型体系.html

28 _ 最简单的概率图:朴素贝叶斯.html

29 _ 有向图模型:贝叶斯网络.html

30 _ 无向图模型:马尔可夫随机场.html

31 _ 建模连续分布:高斯网络.html

32 _ 从有限到无限:高斯过程.html

33 _ 序列化建模:隐马尔可夫模型.html

34 _ 连续序列化模型:线性动态系统.html

35 _ 精确推断:变量消除及其拓展.html

36 _ 确定近似推断:变分贝叶斯.html

37 _ 随机近似推断:MCMC.html

38 _ 完备数据下的参数学习:有向图与无向图.html

39 _ 隐变量下的参数学习:EM方法与混合模型.html

40 _ 结构学习:基于约束与基于评分.html

总结课 _ 贝叶斯学习的模型体系.html

结课 _ 终有一天,你将为今天的付出骄傲.html

资源下载此资源下载价格为0.00学分,请先
充值比例 1元=1学分
资源失效,请咨询客服
客服QQ 980264305
资源下载
下载价格:0.00 学分
VIP优惠:免费
充值比例 1元=1学分
资源失效,请咨询客服
客服QQ 980264305

评论0

找资源,搜一下,更惊喜
没有账号? 注册  忘记密码?