|
|
课程目录：
& b0 K- ~0 p1 F机器学习-白板推导系列（01）-开篇/ v# q+ a" N+ q8 N+ Q2 a
开篇（1）-频率派VS贝叶斯派.flv- j2 B/ ~( ]" F1 o
开篇（2）-学习资料介绍.flv8 }, v0 O% E5 a) R/ d+ B# s+ I$ }/ K
$ i7 p$ r+ A& f
5 }% X) M) b0 o$ s' a/ A5 ^
机器学习-白板推导系列（02）-数学基础: l0 k% f' K- i1 \
数学基础（1）-高斯分布-极大似然估计.flv
8 C9 n; }. g' L' A7 w$ i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/ G: I/ K( E: `5 T( N/ Z& B- m
数学基础（3）-高斯分布-从概率密度函数角度观察.flv# k7 A) g* }& k! s, ^
数学基础（4）-高斯分布-局限性.flv: A& z- u- G5 M2 M) _9 E2 O4 N* z
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' V: C, `+ q, f: L1 w; H) m4 z
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
% M! v% ?$ p1 _+ L数学基础（7）-不等式-杰森不等式.flv) [9 m5 u3 O- _. z" b6 ~
1 t3 J8 \7 g' m B+ f% p$ \. { F; r! P: }' U* ~+ G
机器学习-白板推导系列（03）-线性回归
* @! K3 u# D' Q" L$ f2 G线性回归1（最小二乘法及其几何意义）).flv
0 O0 E" `2 ?! _- y线性回归2（最小二乘法-概率视角-高斯噪声-MLE）).flv C8 T) W6 C# A% l0 U5 }8 }* s
线性回归3（正则化-岭回归）).flv
% P! M2 O+ b3 N6 n4 B4 Y线性回归4（正则化-岭回归-概率角度-高斯噪声高斯先验-MAP）.flv6 Z! H$ @3 B0 @+ c! `
: G( |6 m+ m$ n" v, k
2 B9 M$ d) I/ ^' d% A# ~; I# o机器学习-白板推导系列（04）-线性分类" C2 D0 ]3 D' a6 o; P2 G$ k6 F F( m
线性分类1-背景.flv) c2 y- @$ O7 o- d) L& e
线性分类2-感知机（Perceptron).flv e6 [) k9 V4 h
线性分类3-线性判别分析（Fisher判别分析）-模型.flv3 t) e% i. ^* g8 O, \
线性分类4-线性判别分析（Fisher判别分析）-模型.flv- G- w! Q# k2 l2 v
线性分类5-逻辑回归.flv
1 I- X9 G5 {9 t, E线性分类6-高斯判别分析.flv
' v& X0 F" B! V) F* A线性分类7-高斯判别分析.flv$ y' Q" i& [2 s& e
线性分类8-高斯判别分析.flv
% a: ~& R1 r; L/ K/ P+ h0 T线性分类9-朴素贝叶斯分类器.flv7 _( v+ _! `/ q" ~& R
$ P, x" f( c4 o' `7 f
/ q. Y4 e2 M! f: m
机器学习-白板推导系列（05）-降维7 @, R9 l2 B6 C# D
降维1-背景介绍.flv7 C; c9 J9 I; ~) [! V+ Q/ A
降维2-样本均值&样本方差的矩阵表示.flv6 u: p6 M- e0 ~; x' @. n! c
降维3-主成分分析（PCA）-最大投影方差角度.flv# r' f# H1 y# Q
降维4-主成分分析（PCA）-最小重构代价角度.flv" x, a% C( f. V+ x5 ] u
降维5-主成分分析（PCA）-SVD角度.flv
! q( P7 K) H! W, F降维6-主成分分析（PCA）-概率角度.flv
" o* u1 ^$ s- {1 o; f8 P+ o. |, w
( I# ?" i7 J1 ]" {" a, x2 [3 { R) ]7 n m9 a
机器学习-白板推导系列（06）-支持向量机SVM
3 y# U+ A/ f5 s$ N' a支持向量机1-硬间隔SVM-模型定义.flv
7 H2 w7 V/ S3 A6 Q4 P2 {# n支持向量机2-硬间隔SVM-模型求解.flv. S/ _2 j7 n' p* e* F1 K: D
支持向量机3-硬间隔SVM-模型求解.flv
1 T/ q: \ i" ]( a支持向量机4-软间隔SVM-模型定义.flv5 q! o, t; y! @( m9 A
支持向量机5-约束优化问题-弱对偶性证明.flv5 R. M4 t2 [( c4 q3 r
支持向量机6-约束优化问题-对偶关系的几何解.flv* X8 C! z6 q: ? h ?$ X
支持向量机7-约束优化问题-对偶关系之sla.flv
2 Z* P$ p+ \5 |% C6 y$ _! U支持向量机8-约束优化问题-对偶关系之KKT.flv2 \: R( F" k& e+ N7 d
支持向量机9-备份.flv
3 {* ?4 t, v8 e2 j+ w
$ T2 L* L, m6 w7 `( v/ P7 b. Q* H, A0 U+ f6 ^
机器学习-白板推导系列（07）-核方法- w5 z8 k/ G7 E' v1 q) j) X4 p# J
核方法（1）-背景介绍.flv% ?. p2 X- c, Z" a6 G3 g
核方法（2）-正定核的两个定义.flv
) H* Q9 K& \5 ]* L核方法（3）-正定核充要条件-必要性证明.flv
8 _* C: p" g8 e' q8 X8 h核方法（4）-备份.flv
" S* x) E+ q# P0 i x7 L% e* G# I# @7 @1 y9 v: D* m2 x+ {
& X# t9 E2 ~- a- Y7 C7 J机器学习-白板推导系列（08）-指数族分布
- t) Y3 T3 L4 t: U. A指数族分布1-背景.flv
% Y& }5 N9 \! {0 X7 Q指数族分布2-背景.flv. d/ R5 v" N+ ^9 g: |8 T
指数族分布3-高斯分布的指数族形式.flv" [' A* R1 Q* Y6 E3 |
指数族分布4-对数配分函数与充分统.flv
7 P) K" v- u) `$ ?$ C5 K/ x F- x: f指数族分布5-极大似然估计与充分统.flv" ?+ A0 {' E% _$ k8 l. ^
指数族分布6-最大熵角度.flv
9 m6 R4 N" `1 q# Q指数族分布7-最大熵角度.flv
d( _& s5 y' t) Z
) t5 o6 q2 i( j4 c `9 j* k
Y2 ]- |8 y- i8 Z" {- u" i机器学习-白板推导系列（09）-概率图模型基础2 T: x# ~8 ~0 f# [+ j& W
概率图模型1-背景介绍.flv
5 W$ e9 M% B9 k) ]" z, N* g概率图模型2-贝叶斯网络-Representation-条件独立性.flv1 L9 D! [9 O8 l
概率图模型3（补充解释）-贝叶斯网络-Representation-条件独立性).flv
5 E) D! T& {% B& S概率图模型4-贝叶斯网络.flv& }. I$ G$ f; m3 g0 E* b) m
概率图模型5-贝叶斯网络.flv3 q) [( m" I2 j( k2 D5 _
概率图模型6-马尔可夫随机场.flv4 H4 o& ~8 A @ }
概率图模型7-马尔可夫随机场.flv% x( o: L9 `8 E0 g
概率图模型8-推断Inference.flv
4 B5 p E z" O4 Y: F. R2 L s概率图模型9-推断.flv
/ l8 q2 B+ a. F; [ F3 A" u. Y* A概率图模型10-推断.flv7 E, j4 @! i8 J' P
概率图模型11-推断.flv' d1 b) P/ Z, |) r4 M- S
概率图模型12-推断.flv
4 D. O7 f( |9 R# m/ L4 B8 B概率图模型13-推断.flv
9 O2 m* X9 Q7 n1 x概率图模型14-概念补充-道德图.flv- {0 q4 E6 a( {& k) |
概率图模型15-概念补充-因子图.flv+ B: o7 P1 [0 N9 n1 ^
8 d: [: B& v/ z0 f6 j8 c6 o( Y
( M- y+ g& j5 g8 f" ]机器学习-白板推导系列（10）-EM算法
7 H# p }% N7 A6 X+ Z, [EM算法（1）-EM算法公式以及算法收敛性证明.flv
; Q/ p2 \! | @. Z( WEM算法（2）-EM算法公式导出之ELBO-KL Diver.flv
; M- ^0 r' n0 q) ~- q( OEM算法（3）-EM算法公式导出之ELBO-Jensen I.flv
4 f# G2 ?) P0 \EM算法（4）-EM算法再回首.flv
6 v5 J0 A2 y2 e [ m. zEM算法（5）-广义EM.flv
: p: b8 W# c% Q9 HEM算法（6）-EM变种.flv
3 N' a+ {) O2 x \2 w7 f7 g9 ], [! ^- \% E8 ]; n6 o
4 b m D1 n2 X) R. ]! @! Y
机器学习-白板推导系列（11）-高斯混合模型GMM
0 J+ L: e" b/ L% j1 j) B高斯混合模型（1）-模型介绍.flv. T, J7 \: g( p: c
高斯混合模型（2）-极大似然.flv# w% S# b1 A. o6 x" G3 A
高斯混合模型（3）-EM求解-E-Ste.flv
! V; a+ [# E& A j高斯混合模型（4）-EM求解-M-Ste.flv6 Y; u" l' T: k: X1 S Y
9 a* \7 {* s! W' l6 l
; \$ `# X: c" g: N- N
机器学习-白板推导系列（12）-变分推断0 T9 U0 g6 m7 l2 q$ {! J
变分推断1（背景介绍）.flv6 k) c6 n5 q* r; X# v5 q& e4 h
变分推断2（公式推导).flv4 d4 j( Z; x6 W; Y& n) l
变分推断3（再回首).flv
. F( T; q0 H7 I变分推断4（随机梯度变分推断-SGVI-1).flv
6 y; v% m' c" ?- O1 Q H变分推断5（随机梯度变分推断-SGVI-2).flv
* k" K* [; w/ q' C; e" q
& G8 h |& `5 v- p. ]( x8 {9 z; V; v: I$ V) d0 @: ]) U1 p8 M
机器学习-白板推导系列（13）-MCMC
- ?/ P9 V& U" k' u蒙特卡洛方法1.flv$ I* b1 i; f% Z1 k1 A2 |
蒙特卡洛方法2.flv/ V/ q& C0 M+ t/ S3 c; k
蒙特卡洛方法3.flv, O( @* | e- t! I) k! O/ ?
蒙特卡洛方法4.flv4 D7 x) H: A0 U: ]6 o
蒙特卡洛方法5-吉布斯采样.flv
+ @) V+ ^- i2 {蒙特卡洛方法6.flv
1 G3 M& U! S) p! k8 Y! R( y$ ]3 k蒙特卡洛方法7.flv
" i# P3 J: n' v- k! A7 M蒙特卡洛方法8.flv
. V1 R+ C( L4 X5 ?/ y
$ M* N3 h8 [ E y+ v/ V. e/ v8 j* f: k9 d! N6 v3 H
机器学习-白板推导系列（14）-隐马尔可夫模型" V" M$ ^4 Q, x$ a- ~2 f8 P
隐马尔可夫模型HMM（1）-背景介绍.flv
, E' h( x1 d$ X5 z/ s3 u$ [隐马尔可夫模型HMM（2）-背景介绍.flv
" N p3 C9 L/ w# b- l隐马尔可夫模型HMM（3）-前向算法.flv
! H+ [9 X7 c. C( W隐马尔可夫模型HMM（4）-后向算法.flv
& c1 v: K8 u- K$ t隐马尔可夫模型HMM（5）-Baum Welch算法.flv/ P% a8 o. d7 R' K$ O% X
隐马尔可夫模型HMM（6）-维特比算法.flv
# T0 C+ |+ L& c6 D+ z7 W) \ o, ?隐马尔可夫模型HMM（7）-小结.flv- @- b3 d6 J6 N `+ c
隐马尔可夫模型HMM（8）-小结.flv! g# s" k1 B3 M3 x3 I6 H. {, D( q ]
* |! J7 D1 b: i. `8 J. I' \/ ]
2 S. z2 z8 \/ Y. p1 a; e机器学习-白板推导系列（15）-线性动态系统-卡曼滤波2 r) [6 y4 e7 {# r2 X: y O
线性动态系统1-KalmanFilter.flv
; n8 P7 i% |5 n7 J% E2 P, O线性动态系统2-Filtering问题.flv
+ A! N7 t2 a K线性动态系统3-Filtering问题求解.flv9 \" E& d! H4 p5 k
7 V4 g9 l. i! v/ u8 Y# z
+ f# R, Z+ v- c
机器学习-白板推导系列（16）-粒子滤波
5 f3 [( R3 v, F" I% [ f粒子滤波1-背景介绍.flv& h# \! m. P( t6 s
粒子滤波2-重要性采样.flv: S" c1 C2 Y! X4 ^
粒子滤波3-重采样.flv
X. R# O/ u2 z% e$ S1 ]# {粒子滤波4-SIR Filter.flv, k8 r. ]0 h S6 E) b! C W
4 _9 C: c# e7 i4 K: C, ]
% ^3 K- ~& g9 b& m V' B
机器学习-白板推导系列（17）-条件随机场CRF
& V) A9 U" M; m2 u条件随机场（1）-背景介绍.flv! M! m0 k6 ~) F% P6 ?3 ~5 L* j) }6 A6 i
条件随机场（2）-HMM VS MEM.flv; }& R( d P, |, I7 o5 d# u1 s9 H
条件随机场（3）-MEMM VS CR.flv5 k# J+ G; l* E/ O* A# {" W* p
条件随机场（4）-CRF模型-概率密度.flv# b1 |9 l0 [! ~( g. ^# S4 p
条件随机场（5）-CRF模型-概率密度.flv8 s/ z+ c$ v }
条件随机场（6）-CRF模型-要解决的.flv
9 J6 _0 o6 l4 E) V( m" E条件随机场（7）-CRF模型-Infe.flv
( r# A4 H) f4 O2 k! N4 n* u条件随机场（8）-CRF模型-Lear.flv
# ?8 w2 b& T, s" v% @4 u8 B: f% t& c8 |3 c4 @$ s
' r$ q; c. u$ `9 ]: F机器学习-白板推导系列（18）-高斯网络
5 C0 u& `/ [9 A. _高斯网络（1）-总体介绍.flv
2 i; \9 e0 |# E7 f& K高斯网络（2）-高斯贝叶斯网络.flv2 M9 j9 P$ ^! }
高斯网络（3）-高斯马尔科夫随机场.flv
1 q3 ?* E* ^0 J2 W8 b" _& z) Y+ Y. R& f3 Q
, R# ?5 \! @3 v2 c% |- I; Q
机器学习-白板推导系列（19）-贝叶斯线性回归% V( X: M! ^% P U
贝叶斯线性回归（1）-背景介绍.flv, K5 Y7 N9 q/ Z- w) d( ]
贝叶斯线性回归（2）-推导介绍.flv/ l- h7 @6 ?9 [5 ?0 I9 ` e
贝叶斯线性回归（3）-推导介绍.flv
% S$ D+ ~' D6 S贝叶斯线性回归（4）-推导预测.flv# `! ^# n/ d! D. d' n7 a& y9 l9 H
贝叶斯线性回归（5）-小结.flv, N! {" |! ?! t% r& d$ Q# s* n9 o( T
4 }/ {; \/ I/ B; e
# V9 N& P8 a7 Z# |7 d
机器学习-白板推导系列（20）-高斯过程GP6 ?. s, s* F6 ]; e% z7 w4 \/ K
高斯过程GP（1）-简单介绍.flv
: ~) a: E; x* }" F1 R# i8 `高斯过程GP（2）-权重空间角度.flv
+ v& D2 {6 F, b1 C' f! f, ]高斯过程GP（3）-权重空间到函数空间.flv5 I m- W7 n0 W0 s6 K
高斯过程GP（4）-函数空间的角度.flv
" I' T6 g, M- Q( ^
& `7 O; {' s0 I. S4 c
0 \! ]5 [8 \1 i% R+ a- @" T机器学习-白板推导系列（21）-受限玻尔兹曼机RBM
/ N2 n' [+ C* S+ ?2 ?受限玻尔兹曼机RBM（1）-背景介绍.flv
( l- i" e H5 ^8 j# L受限玻尔兹曼机RBM（2）-背景介绍.flv
% B/ m7 Y, A- E9 u- Y6 _' s. Q \5 t受限玻尔兹曼机RBM（4）-模型表示.flv
5 D/ B0 @& b6 A. j( X8 c1 @2 q受限玻尔兹曼机RBM（5）-模型推断.flv& f8 l! ~+ A3 T% B: B$ @
受限玻尔兹曼机RBM（6）-模型推断.flv) m0 P9 M* ~1 G" k- W4 _
u6 ]% O1 e5 V6 U: J! A
, o: f7 U0 h" Z, c% ]5 Q' ^机器学习-白板推导系列（22）-谱聚类
4 z5 h: [+ s( x$ ^谱聚类（1）-背景介绍.flv6 ] Q' c" l/ f0 P" \5 `
谱聚类（2）-模型介绍.flv
6 t+ c" d" ^6 t6 k0 v1 S谱聚类（3）-模型的矩阵形式.flv
- B- N& ]) r/ P. }& l& G谱聚类（4）-模型的矩阵形式.flv
2 n/ J- U+ n% W8 J \( E谱聚类（5）-模型的矩阵形式.flv
5 p' Z/ P/ n' c2 F1 H
4 v* C; M$ F" L Z2 Y# \$ a9 J" |7 P: t0 D! n0 p; p7 \
机器学习-白板推导系列（23）-前馈神经网络
& g$ p: }7 P; x. ]' G$ d
* ^: F" }6 x- a6 o前馈神经网络（1）-从机器学习到深度学习.flv, |$ H- j- ?. m+ z* O! ~
前馈神经网络（2）-从感知机到深度学习.flv
1 X' D4 Y9 H7 t9 a' Z: T. ~, F前馈神经网络（3）-非线性问题的三种解决方法.flv. d) }' C0 a! V0 W+ r3 y* P
, p. @1 t* b7 r/ v ?- ]
* o4 M4 u8 J5 G- q: Z1 {0 ~ |
本帖子中包含更多资源
您需要 登录 才可以下载或查看，没有账号？立即注册
×
|
/1 
|小黑屋|Archiver|手机版|一路学IT论坛 专业视频教程网站
窥视卡
雷达卡
发表于 2020-3-1 16:27:29
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡
发表于 2022-3-19 12:34:11