机器学习

08-13 05:40

机器学习高手全解最新扛鼎制作凝聚汗水的白板推导机器学习纯手工教学实战课程

机器学习高手最新扛鼎制作课程的最大优势，就是还原了课堂上课的真实感觉，加之讲师一流的技术水平以及清晰的逻辑和推导能力，让机器学习这个本身就难啃的硬骨头，软了不少。课程内容对机器学习进行了非常详细的拆解，除了常规的内容，还进行了包括高斯混合模型GMM，隐马尔可夫模型，变分推断，线性动态系统-卡曼滤波，受限玻尔兹曼机RBM，前馈神经网络等等前置的课程。如果觉得一般课程有难度的同学，可以来试试白板推导系列的课程，一定会有不一样的体验。 ===============课程目录=============== (1)\机器学习-白板推导系列（10）-EM算法；目录中文件数:6个 ├─EM算法（1）-EM算法公式以及算法收敛性证明.flv ├─EM算法（2）-EM算法公式导出之ELBO-KL Diver.flv ├─EM算法（3）-EM算法公式导出之ELBO-Jensen I.flv ├─EM算法（4）-EM算法再回首.flv ├─EM算法（5）-广义EM.flv ├─EM算法（6）-EM变种.flv (2)\机器学习-白板推导系列（11）-高斯混合模型GMM；目录中文件数:4个 ├─高斯混合模型（1）-模型介绍.flv ├─高斯混合模型（2）-极大似然.flv ├─高斯混合模型（3）-EM求解-E-Ste.flv ├─高斯混合模型（4）-EM求解-M-Ste.flv (3)\机器学习-白板推导系列（12）-变分推断；目录中文件数:5个 ├─变分推断1（背景介绍）.flv ├─变分推断2（公式推导).flv ├─变分推断3（再回首).flv ├─变分推断4（随机梯度变分推断-SGVI-1).flv ├─变分推断5（随机梯度变分推断-SGVI-2).flv (4)\机器学习-白板推导系列（13）-MCMC；目录中文件数:8个 ├─蒙特卡洛方法1.flv ├─蒙特卡洛方法2.flv ├─蒙特卡洛方法3.flv ├─蒙特卡洛方法4.flv ├─蒙特卡洛方法5-吉布斯采样.flv ├─蒙特卡洛方法6.flv ├─蒙特卡洛方法7.flv ├─蒙特卡洛方法8.flv (5)\机器学习-白板推导系列（14）-隐马尔可夫模型；目录中文件数:8个 ├─隐马尔可夫模型HMM（1）-背景介绍.flv ├─隐马尔可夫模型HMM（2）-背景介绍.flv ├─隐马尔可夫模型HMM（3）-前向算法.flv ├─隐马尔可夫模型HMM（4）-后向算法.flv ├─隐马尔可夫模型HMM（5）-Baum Welch算法.flv ├─隐马尔可夫模型HMM（6）-维特比算法.flv ├─隐马尔可夫模型HMM（7）-小结.flv ├─隐马尔可夫模型HMM（8）-小结.flv (6)\机器学习-白板推导系列（15）-线性动态系统-卡曼滤波；目录中文件数:3个 ├─线性动态系统1-KalmanFilter.flv ├─线性动态系统2-Filtering问题.flv ├─线性动态系统3-Filtering问题求解.flv (7)\机器学习-白板推导系列（16）-粒子滤波；目录中文件数:4个 ├─粒子滤波1-背景介绍.flv ├─粒子滤波2-重要性采样.flv ├─粒子滤波3-重采样.flv ├─粒子滤波4-SIR Filter.flv (8)\机器学习-白板推导系列（17）-条件随机场CRF；目录中文件数:8个 ├─条件随机场（1）-背景介绍.flv ├─条件随机场（2）-HMM VS MEM.flv ├─条件随机场（3）-MEMM VS CR.flv ├─条件随机场（4）-CRF模型-概率密度.flv ├─条件随机场（5）-CRF模型-概率密度.flv ├─条件随机场（6）-CRF模型-要解决的.flv ├─条件随机场（7）-CRF模型-Infe.flv ├─条件随机场（8）-CRF模型-Lear.flv (9)\机器学习-白板推导系列（18）-高斯网络；目录中文件数:3个 ├─高斯网络（1）-总体介绍.flv ├─高斯网络（2）-高斯贝叶斯网络.flv ├─高斯网络（3）-高斯马尔科夫随机场.flv (10)\机器学习-白板推导系列（19）-贝叶斯线性回归；目录中文件数:5个 ├─贝叶斯线性回归（1）-背景介绍.flv ├─贝叶斯线性回归（2）-推导介绍.flv ├─贝叶斯线性回归（3）-推导介绍.flv ├─贝叶斯线性回归（4）-推导预测.flv ├─贝叶斯线性回归（5）-小结.flv (11)\机器学习-白板推导系列（1）-开篇；目录中文件数:2个 ├─开篇（1）-频率派VS贝叶斯派.flv ├─开篇（2）-学习资料介绍.flv (12)\机器学习-白板推导系列（20）-高斯过程GP；目录中文件数:4个 ├─高斯过程GP（1）-简单介绍.flv ├─高斯过程GP（2）-权重空间角度.flv ├─高斯过程GP（3）-权重空间到函数空间.flv ├─高斯过程GP（4）-函数空间的角度.flv (13)\机器学习-白板推导系列（21）-受限玻尔兹曼机RBM；目录中文件数:6个 ├─受限玻尔兹曼机RBM（1）-背景介绍.flv ├─受限玻尔兹曼机RBM（2）-背景介绍.flv ├─受限玻尔兹曼机RBM（3）-模型表示.flv ├─受限玻尔兹曼机RBM（4）-模型表示.flv ├─受限玻尔兹曼机RBM（5）-模型推断.flv ├─受限玻尔兹曼机RBM（6）-模型推断.flv (14)\机器学习-白板推导系列（22）-谱聚类；目录中文件数:5个 ├─谱聚类（1）-背景介绍.flv ├─谱聚类（2）-模型介绍.flv ├─谱聚类（3）-模型的矩阵形式.flv ├─谱聚类（4）-模型的矩阵形式.flv ├─谱聚类（5）-模型的矩阵形式.flv (15)\机器学习-白板推导系列（23）-前馈神经网络；目录中文件数:3个 ├─前馈神经网络（1）-从机器学习到深度学习.flv ├─前馈神经网络（2）-从感知机到深度学习.flv ├─前馈神经网络（3）-非线性问题的三种解决方法.flv (16)\机器学习-白板推导系列（2）-数学基础；目录中文件数:7个 ├─数学基础（1）-高斯分布-极大似然估计.flv ├─数学基础（2）-高斯分布-极大似然估计（无偏估计VS有偏估计）).flv ├─数学基础（3）-高斯分布-从概率密度函数角度观察.flv ├─数学基础（4）-高斯分布-局限性.flv ├─数学基础（5）-高斯分布-已知联合概率求边缘概率及条件概率.flv ├─数学基础（6）-高斯分布-已知边缘和条件概率求联合概率分布.flv ├─数学基础（7）-不等式-杰森不等式.flv (17)\机器学习-白板推导系列（3）-线性回归；目录中文件数:4个 ├─线性回归1（最小二乘法及其几何意义）).flv ├─线性回归2（最小二乘法-概率视角-高斯噪声-MLE）).flv ├─线性回归3（正则化-岭回归）).flv ├─线性回归4（正则化-岭回归-概率角度-高斯噪声高斯先验-MAP）.flv (18)\机器学习-白板推导系列（4）-线性分类；目录中文件数:9个 ├─线性分类1-背景.flv ├─线性分类2-感知机（Perceptron).flv ├─线性分类3-线性判别分析（Fisher判别分析）-模型.flv ├─线性分类4-线性判别分析（Fisher判别分析）-模型.flv ├─线性分类5-逻辑回归.flv ├─线性分类6-高斯判别分析.flv ├─线性分类7-高斯判别分析.flv ├─线性分类8-高斯判别分析.flv ├─线性分类9-朴素贝叶斯分类器.flv (19)\机器学习-白板推导系列（5）-降维；目录中文件数:6个 ├─降维1-背景介绍.flv ├─降维2-样本均值&样本方差的矩阵表示.flv ├─降维3-主成分分析（PCA）-最大投影方差角度.flv ├─降维4-主成分分析（PCA）-最小重构代价角度.flv ├─降维5-主成分分析（PCA）-SVD角度.flv ├─降维6-主成分分析（PCA）-概率角度.flv (20)\机器学习-白板推导系列（6）-支持向量机SVM；目录中文件数:9个 ├─支持向量机1-硬间隔SVM-模型定义.flv ├─支持向量机2-硬间隔SVM-模型求解.flv ├─支持向量机3-硬间隔SVM-模型求解.flv ├─支持向量机4-软间隔SVM-模型定义.flv ├─支持向量机5-约束优化问题-弱对偶性证明.flv ├─支持向量机6-约束优化问题-对偶关系的几何解.flv ├─支持向量机7-约束优化问题-对偶关系之sla.flv ├─支持向量机8-约束优化问题-对偶关系之KKT.flv ├─支持向量机9-备份.flv (21)\机器学习-白板推导系列（7）-核方法；目录中文件数:4个 ├─核方法（1）-背景介绍.flv ├─核方法（2）-正定核的两个定义.flv ├─核方法（3）-正定核充要条件-必要性证明.flv ├─核方法（4）-备份.flv (22)\机器学习-白板推导系列（8）-指数族分布；目录中文件数:7个 ├─指数族分布1-背景.flv ├─指数族分布2-背景.flv ├─指数族分布3-高斯分布的指数族形式.flv ├─指数族分布4-对数配分函数与充分统.flv ├─指数族分布5-极大似然估计与充分统.flv ├─指数族分布6-最大熵角度.flv ├─指数族分布7-最大熵角度.flv (23)\机器学习-白板推导系列（9）-概率图模型基础；目录中文件数:15个 ├─概率图模型1-背景介绍.flv ├─概率图模型10-推断.flv ├─概率图模型11-推断.flv ├─概率图模型12-推断.flv ├─概率图模型13-推断.flv ├─概率图模型14-概念补充-道德图.flv ├─概率图模型15-概念补充-因子图.flv ├─概率图模型2-贝叶斯网络-Representation-条件独立性.flv ├─概率图模型3（补充解释）-贝叶斯网络-Representation-条件独立性).flv ├─概率图模型4-贝叶斯网络.flv ├─概率图模型5-贝叶斯网络.flv ├─概率图模型6-马尔可夫随机场.flv ├─概率图模型7-马尔可夫随机场.flv ├─概率图模型8-推断Inference.flv ├─概率图模型9-推断.flv

643

08-04 12:13

机器学习西瓜书训练营视频教程完结 it视频教程

机器学习西瓜书训练营视频教程完结 it视频教程集数合计：44讲部分目录 ├─19 第六周：深度学习初探 ├─20 第六周：了解sklearn包中神经网络的使用 ├─21 第六周：学习任务简单总结 ├─22 第七周：经验误差与过拟合 ├─23 第七周：评估方法 ├─24 第七周：性能度量 ├─25 第七周：了解sklearn包中模型评估方 ├─26 第七周：学习任务简单总结 ├─27 第八周：特征降维 ├─28 第八周：特征选择 137zw.com ├─29 第八周：了解sklearn包中特征选择和降维算法的使用 ├─30 第八周：学习任务简单总结 ├─31 第九周：集成学习 ├─33 第九周：结合策略 ├─34 第九周：实验-lightGBM的使用 ├─35 第九周：学习任务简单总结 ├─36 第十周：聚类 ├─37 第十周：HMM ├─38 第十周：实验-sklearn-user guide 2.3.2 ├─40 第十周：学习任务简单总结+问题收集日 ├─41 第十一周：任务与奖赏 ├─42 第十一周：K-摇臂赌博机+直播答疑日 ├─43 第十一周：有无模型学习 └─44 第十一周：学习任务简单总结

744

07-17 02:04

机器学习-张志华

机器学习-张志华

2485

«
1
2
»