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
评论0