机器学习40讲

共 49 讲。

目录

• 机器学习40讲
• 续写新篇：再启机器学习之旅
• 解锁小样本学习的3种典型方法
• 开篇词 - 打通修炼机器学习的任督二脉
• 01 - 频率视角下的机器学习
• 02 - 贝叶斯视角下的机器学习
• 03 - 学什么与怎么学
• 04 - 计算学习理论
• 05 - 模型的分类方式
• 06 - 模型的设计准则
• 07 - 模型的验证方法
• 08 - 模型的评估指标
• 09 - 实验设计
• 10 - 特征预处理
• 11 - 基础线性回归：一元与多元
• 12 - 正则化处理：收缩方法与边际化
• 13 - 线性降维：主成分的使用
• 14 - 非线性降维：流形学习
• 15 - 从回归到分类：联系函数与降维
• 16 - 建模非正态分布：广义线性模型
• 17 - 几何角度看分类：支持向量机
• 18 - 从全局到局部：核技巧
• 19 - 非参数化的局部模型：K近邻
• 20 - 基于距离的学习：聚类与度量学习
• 21 - 基函数扩展：属性的非线性化
• 22 - 自适应的基函数：神经网络
• 23 - 层次化的神经网络：深度学习
• 24 - 深度编解码：表示学习
• 25 - 基于特征的区域划分：树模型
• 26 - 集成化处理：Boosting与Bagging
• 27 - 万能模型：梯度提升与随机森林
• 总结课 - 机器学习的模型体系
• 28 - 最简单的概率图：朴素贝叶斯
• 29 - 有向图模型：贝叶斯网络
• 30 - 无向图模型：马尔可夫随机场
• 31 - 建模连续分布：高斯网络
• 32 - 从有限到无限：高斯过程
• 33 - 序列化建模：隐马尔可夫模型
• 34 - 连续序列化模型：线性动态系统
• 35 - 精确推断：变量消除及其拓展
• 36 - 确定近似推断：变分贝叶斯
• 37 - 随机近似推断：MCMC
• 38 - 完备数据下的参数学习：有向图与无向图
• 39 - 隐变量下的参数学习：EM方法与混合模型
• 40 - 结构学习：基于约束与基于评分
• 总结课 - 贝叶斯学习的模型体系
• 结课 - 终有一天，你将为今天的付出骄傲
• 如何成为机器学习工程师？
• 结课测试 - 这些机器学习知识你都掌握了吗？