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