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