机器学习40讲-含概率图模型、统计机器学习模型等_508.45MB
45160文件名称: 机器学习40讲-含概率图模型、统计机器学习模型等炔_共:508.45MB
文件总数量: 132条
压缩文件数量: 0条
压缩文件比: 0%
疑似加密文件: 0条(需要授权播放的文件)
文件创建时间:2023-03-03 05:48:46
目录:【01-开篇词(1讲)】
00丨开篇词丨打通修炼机器学习的任督二脉.mp3
00丨开篇词丨打通修炼机器学习的任督二脉.html
00丨开篇词丨打通修炼机器学习的任督二脉.pdf
目录:【04-概率图模型(14讲)】
35丨精确推断:变量消除及其拓展.mp3
37丨随机近似推断:MCMC.pdf
总结课丨贝叶斯学习的模型体系.html
33丨序列化建模:隐Ma尔可夫模型.mp3
37丨随机近似推断:MCMC.mp3
38丨完备数据下的参数学习:有向图与无向图.html
29丨有向图模型:贝叶斯网络.mp3
33丨序列化建模:隐Ma尔可夫模型.html
31丨建模连续分布:高斯网络.pdf
30丨无向图模型:Ma尔可夫随机场.pdf
39丨隐变量下的参数学习:EM方法与混合模型.html
36丨确定近似推断:变分贝叶斯.pdf
34丨连续序列化模型:线X动态系统.html
40丨结构学习:基于约束与基于评分.pdf
30丨无向图模型:Ma尔可夫随机场.html
39丨隐变量下的参数学习:EM方法与混合模型.pdf
30丨无向图模型:Ma尔可夫随机场.mp3
33丨序列化建模:隐Ma尔可夫模型.pdf
31丨建模连续分布:高斯网络.mp3
39丨隐变量下的参数学习:EM方法与混合模型.mp3
37丨随机近似推断:MCMC.html
29丨有向图模型:贝叶斯网络.pdf
29丨有向图模型:贝叶斯网络.html
28丨最简单的概率图:朴素贝叶斯.pdf
34丨连续序列化模型:线X动态系统.mp3
28丨最简单的概率图:朴素贝叶斯.mp3
31丨建模连续分布:高斯网络.html
32丨从有限到无限:高斯过程.pdf
35丨精确推断:变量消除及其拓展.pdf
32丨从有限到无限:高斯过程.mp3
40丨结构学习:基于约束与基于评分.html
35丨精确推断:变量消除及其拓展.html
总结课丨贝叶斯学习的模型体系.pdf
32丨从有限到无限:高斯过程.html
34丨连续序列化模型:线X动态系统.pdf
总结课丨贝叶斯学习的模型体系.mp3
36丨确定近似推断:变分贝叶斯.html
38丨完备数据下的参数学习:有向图与无向图.mp3
40丨结构学习:基于约束与基于评分.mp3
28丨最简单的概率图:朴素贝叶斯.html
38丨完备数据下的参数学习:有向图与无向图.pdf
36丨确定近似推断:变分贝叶斯.mp3
目录:【02-机器学习概观(10讲)】
03丨学什么与怎么学.pdf
02丨贝叶斯视角下的机器学习.mp3
05丨模型的分类方式.mp3
09丨实验设计.pdf
09丨实验设计.html
04丨计算学习理论.mp3
08丨模型的评估指标.mp3
03丨学什么与怎么学.mp3
01丨频率视角下的机器学习.mp3
03丨学什么与怎么学.html
01丨频率视角下的机器学习.html
08丨模型的评估指标.pdf
06丨模型的设计准则.pdf
08丨模型的评估指标.html
01丨频率视角下的机器学习.pdf
05丨模型的分类方式.html
04丨计算学习理论.html
07丨模型的验证方法.pdf
06丨模型的设计准则.html
04丨计算学习理论.pdf
06丨模型的设计准则.mp3
09丨实验设计.mp3
07丨模型的验证方法.html
10丨特征预处理.mp3
10丨特征预处理.pdf
07丨模型的验证方法.mp3
05丨模型的分类方式.pdf
02丨贝叶斯视角下的机器学习.pdf
10丨特征预处理.html
02丨贝叶斯视角下的机器学习.html
目录:【05-结束语(1讲)】
结课丨终有一天,你将为今天的付出骄傲.pdf
结课丨终有一天,你将为今天的付出骄傲.html
结课丨终有一天,你将为今天的付出骄傲.mp3
目录:【03-统计机器学习模型(18讲)】
16丨建模非正态分布:广义线X模型.mp3
14丨非线X降维:流形学习.html
14丨非线X降维:流形学习.pdf
11丨基础线X回归:一元与多元.pdf
13丨线X降维:主成分的使用.html
27丨万能模型:梯度提升与随机森林.pdf
22丨自适应的基函数:神经网络.pdf
13丨线X降维:主成分的使用.mp3
15丨从回归到分类:联系函数与降维.pdf
25丨基于特征的区域划分:树模型.html
12丨正则化处理:收缩方法与边际化.pdf
21丨基函数扩展:属X的非线X化.pdf
21丨基函数扩展:属X的非线X化.mp3
20丨基于距离的学习:聚类与度量学习.pdf
19丨非参数化的局部模型:K近邻.html
17丨几何角度看分类:支持向量机.mp3
24丨深度编解码:表示学习.mp3
27丨万能模型:梯度提升与随机森林.html
25丨基于特征的区域划分:树模型.pdf
总结课丨机器学习的模型体系.html
23丨层次化的神经网络:深度学习.html
20丨基于距离的学习:聚类与度量学习.html
12丨正则化处理:收缩方法与边际化.html
13丨线X降维:主成分的使用.pdf
17丨几何角度看分类:支持向量机.pdf
26丨集成化处理:Boosting与Bagging.pdf
12丨正则化处理:收缩方法与边际化.mp3
22丨自适应的基函数:神经网络.mp3
25丨基于特征的区域划分:树模型.mp3
17丨几何角度看分类:支持向量机.html
16丨建模非正态分布:广义线X模型.html
15丨从回归到分类:联系函数与降维.mp3
23丨层次化的神经网络:深度学习.pdf
21丨基函数扩展:属X的非线X化.html
26丨集成化处理:Boosting与Bagging.html
11丨基础线X回归:一元与多元.html
15丨从回归到分类:联系函数与降维.html
总结课丨机器学习的模型体系.pdf
18丨从全局到局部:核技巧.pdf
18丨从全局到局部:核技巧.html
20丨基于距离的学习:聚类与度量学习.mp3
22丨自适应的基函数:神经网络.html
19丨非参数化的局部模型:K近邻.mp3
11丨基础线X回归:一元与多元.mp3
19丨非参数化的局部模型:K近邻.pdf
总结课丨机器学习的模型体系.mp3
24丨深度编解码:表示学习.html
26丨集成化处理:Boosting与Bagging.mp3
16丨建模非正态分布:广义线X模型.pdf
24丨深度编解码:表示学习.pdf
18丨从全局到局部:核技巧.mp3
14丨非线X降维:流形学习.mp3
23丨层次化的神经网络:深度学习.mp3
27丨万能模型:梯度提升与随机森林.mp3
页:
[1]