|
|
课程目录：6 _% {! V6 X/ V% V" w, [
机器学习-白板推导系列（01）-开篇6 D7 Z+ `2 t3 H; N$ z% e; g! X1 q
开篇（1）-频率派VS贝叶斯派.flv
$ F p" R1 R; a/ A0 H开篇（2）-学习资料介绍.flv! V/ L: a6 H- n9 `
. H. l0 B- b( E5 T. L
$ F$ m g; B5 t' W
机器学习-白板推导系列（02）-数学基础3 u# d* J) l/ y* ~3 Y- P4 J
数学基础（1）-高斯分布-极大似然估计.flv! R; d1 m- S3 V; {
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/ {1 W" A$ g3 w2 e& G$ {
数学基础（3）-高斯分布-从概率密度函数角度观察.flv
: L5 H2 o, T. F2 l9 N# S( l6 j数学基础（4）-高斯分布-局限性.flv
|3 q: B# C+ F5 ~2 V+ [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
5 |) C! B; x$ ~: U+ C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) b2 c3 w* l! P2 e
数学基础（7）-不等式-杰森不等式.flv, S5 g1 E% _) R8 [: L3 M8 P
5 `1 F \) A, F2 n0 I( O4 F
) {4 F9 {7 n* _; Q: N
机器学习-白板推导系列（03）-线性回归1 p% g1 A1 o1 m; o2 n1 ~1 N
线性回归1（最小二乘法及其几何意义）).flv
4 r! Z& {0 r4 q0 d2 D/ o" f线性回归2（最小二乘法-概率视角-高斯噪声-MLE）).flv1 }' N' u( M' j% p9 c* b
线性回归3（正则化-岭回归）).flv( {7 Q: m2 Q" e" `6 e3 e
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! ~' f9 r' ]& L) j
: v9 f/ ~" ]9 _- s8 r) n) i0 }+ q* r/ w
机器学习-白板推导系列（04）-线性分类
8 ]. d& _9 b5 j' t- Y. h线性分类1-背景.flv
?1 E% h" P: }/ j$ L3 \* E! n* J线性分类2-感知机（Perceptron).flv
V0 _' {+ }+ I& p2 d6 t9 t% b6 q+ F线性分类3-线性判别分析（Fisher判别分析）-模型.flv/ K9 x( s+ m$ n; Q! P
线性分类4-线性判别分析（Fisher判别分析）-模型.flv0 N( ^9 Z: d! O: \% x8 L/ E
线性分类5-逻辑回归.flv8 z- `- C. M7 s6 ?; ~0 m8 P
线性分类6-高斯判别分析.flv$ U; _/ ?1 ^, B+ }9 x
线性分类7-高斯判别分析.flv
5 K% {3 O+ k4 d! ] F% U& n线性分类8-高斯判别分析.flv! a4 y! {8 M& w& C: P b) Q
线性分类9-朴素贝叶斯分类器.flv" M7 l) s' t5 H3 f6 r
5 b2 F& u. |1 r0 O8 I
- o9 y0 @1 I8 J5 k G* _3 t机器学习-白板推导系列（05）-降维* O v- K* Y9 J/ c) v- b6 C
降维1-背景介绍.flv
9 M/ Z) V; p0 ~. J降维2-样本均值&样本方差的矩阵表示.flv$ y6 ]1 Z: B# J0 c& j2 k, b/ Q( n
降维3-主成分分析（PCA）-最大投影方差角度.flv! w6 f% H. a. J# g% A
降维4-主成分分析（PCA）-最小重构代价角度.flv
, f) a$ X" i2 ~; }2 a6 z降维5-主成分分析（PCA）-SVD角度.flv) c# f6 n8 t6 s8 x! p
降维6-主成分分析（PCA）-概率角度.flv% d/ N7 |* Z Q" w$ e5 v# e+ f
( R, D6 }1 M- f; J( P) f! U, h7 Q' p$ }# h( p/ T# S% m( T
机器学习-白板推导系列（06）-支持向量机SVM
5 L. Q* S& ~0 ]9 O: z+ K2 B6 S2 |支持向量机1-硬间隔SVM-模型定义.flv: o% m2 a9 ^) _0 C0 A3 U9 d9 t
支持向量机2-硬间隔SVM-模型求解.flv
' I1 Q8 B6 `8 ?) c# x支持向量机3-硬间隔SVM-模型求解.flv0 z& e* B6 Y3 D$ r
支持向量机4-软间隔SVM-模型定义.flv- e2 D3 N! ~. Q1 p0 u2 U
支持向量机5-约束优化问题-弱对偶性证明.flv
+ [% y1 M; @8 a* f* V! r4 m, y5 M支持向量机6-约束优化问题-对偶关系的几何解.flv* [: o! D( t- G. R) P# ^8 Q% v4 m
支持向量机7-约束优化问题-对偶关系之sla.flv
# g8 M/ m/ I0 P3 k支持向量机8-约束优化问题-对偶关系之KKT.flv8 m x8 t2 f# l' X/ }
支持向量机9-备份.flv
( i" y$ c" ~% i4 K, K/ E Z% y& z- K V- m: V% G/ l5 K
" M1 l& f3 H$ {8 I机器学习-白板推导系列（07）-核方法0 q. U3 @0 [6 d' z8 W2 V3 J
核方法（1）-背景介绍.flv, u! V& O3 O# r+ t6 r& ^: ?7 T+ e5 B
核方法（2）-正定核的两个定义.flv
( ~1 _9 i7 J0 p M( `* m& a核方法（3）-正定核充要条件-必要性证明.flv
/ c) K. {, ~9 i0 n; w+ l; i9 D核方法（4）-备份.flv
7 z ^+ n* i+ u
" f9 |5 y5 }7 m) q; g& R! U
/ p: `( _/ W8 I' y* m机器学习-白板推导系列（08）-指数族分布
& |* M; R, y9 V: m指数族分布1-背景.flv3 t1 I- }2 ^* W9 b9 X8 n
指数族分布2-背景.flv
& d: F0 F5 i$ X) L; h; O1 B3 Z" P9 O6 I指数族分布3-高斯分布的指数族形式.flv7 ?) |" `: |9 v7 O! |; o
指数族分布4-对数配分函数与充分统.flv9 h; F) U5 q. f7 r; v2 z. I
指数族分布5-极大似然估计与充分统.flv4 G6 f3 |( |& q" ~! {
指数族分布6-最大熵角度.flv
( E& }5 g! l2 R/ o指数族分布7-最大熵角度.flv
- p$ g5 e3 C; p8 x, C. \
0 g& J8 D8 K Z! U# b) g& e; \. c0 j( H0 m/ ?8 C
机器学习-白板推导系列（09）-概率图模型基础
6 C8 v Q8 U3 y9 E' o7 u. G3 i概率图模型1-背景介绍.flv# `: Q2 T; G) a5 B0 Y# W& m
概率图模型2-贝叶斯网络-Representation-条件独立性.flv; n+ a4 X: R5 n, x$ Q1 p
概率图模型3（补充解释）-贝叶斯网络-Representation-条件独立性).flv
; X, E- j: ]& b8 H/ x4 o" D1 _概率图模型4-贝叶斯网络.flv
: E V: `' n8 n7 T$ ] k概率图模型5-贝叶斯网络.flv
5 k7 q7 F) f& {* ^8 }/ H概率图模型6-马尔可夫随机场.flv
0 D6 v b* g, Z$ A7 C; E- n/ K概率图模型7-马尔可夫随机场.flv
& U$ O8 u! R, `概率图模型8-推断Inference.flv. }, N/ ~: M3 ]3 g! d
概率图模型9-推断.flv: p8 B, D3 \( Z! E
概率图模型10-推断.flv. j& c( S/ j5 q( @8 K) Q
概率图模型11-推断.flv
/ Q5 d9 \- J: ~0 H, o( @概率图模型12-推断.flv7 I2 C$ u6 T( K: a
概率图模型13-推断.flv
, x h) M3 V0 ~& R' A5 S概率图模型14-概念补充-道德图.flv
6 H8 G9 S4 {9 @' P6 ~! R# N概率图模型15-概念补充-因子图.flv, `0 c: R9 ~5 @. R; b. P7 j! [
4 s+ }8 i! Q1 C* F w1 n; @1 y) C8 Y @
机器学习-白板推导系列（10）-EM算法& P" w6 ?0 S' l! M
EM算法（1）-EM算法公式以及算法收敛性证明.flv
`9 @8 W/ z# O0 Y$ c& b& {% VEM算法（2）-EM算法公式导出之ELBO-KL Diver.flv
! L4 O% s1 A0 v7 LEM算法（3）-EM算法公式导出之ELBO-Jensen I.flv- o; \4 _1 Y, H T S
EM算法（4）-EM算法再回首.flv* `, q9 y8 f1 y: G" w
EM算法（5）-广义EM.flv
; {) ^# ?+ w) c( iEM算法（6）-EM变种.flv
; @2 |2 b8 x) M9 i) V2 U8 j8 t+ ~8 y: W) ^. B. \
5 E( D3 P# s V% }4 j. i6 R- I机器学习-白板推导系列（11）-高斯混合模型GMM
3 Q, r7 h1 L% {) |! b) v6 x高斯混合模型（1）-模型介绍.flv
9 h" `4 @. @% c* e: |高斯混合模型（2）-极大似然.flv: e% ~2 j, E1 O9 Q9 _
高斯混合模型（3）-EM求解-E-Ste.flv
% s w: N f) N1 H8 R+ I# G# \! j高斯混合模型（4）-EM求解-M-Ste.flv
# E4 ?( v7 G. Q- V+ A- X6 i& I) }0 ^ Q) S, q
' p8 b8 P* }; A+ D8 B
机器学习-白板推导系列（12）-变分推断1 b0 U! H" j7 w' b' V! {
变分推断1（背景介绍）.flv1 D; y. a9 B0 W* o) R
变分推断2（公式推导).flv
/ {5 G1 L) {. d0 A$ r8 |- T( A变分推断3（再回首).flv
3 X$ g7 @. W0 {& c7 k1 P' |/ m7 e变分推断4（随机梯度变分推断-SGVI-1).flv
C. m6 u9 U* H' A* B变分推断5（随机梯度变分推断-SGVI-2).flv
" T, D0 \1 x9 l
1 ~$ |: o! G0 {$ C
$ t4 l3 \8 G+ C6 G. m机器学习-白板推导系列（13）-MCMC. P7 n3 |7 \1 q. e7 v/ U3 M6 R8 X
蒙特卡洛方法1.flv
2 e* |( Q1 d/ x% h蒙特卡洛方法2.flv
# g9 H3 D O+ N' t$ w蒙特卡洛方法3.flv( E' \' J+ M! |
蒙特卡洛方法4.flv: C! B2 e/ j( Y& O8 c. H
蒙特卡洛方法5-吉布斯采样.flv8 D2 M# e- u8 _& |( \& s
蒙特卡洛方法6.flv
+ R, v- ~+ l# f$ b0 M$ D蒙特卡洛方法7.flv
/ Y7 m) Y7 j8 V, b& [/ q- x( f蒙特卡洛方法8.flv7 E( e9 P- m$ @/ e) Y7 f* ], c
$ W: k6 P) q2 L# r" w0 ]' {) _8 V& k
/ B+ l8 U* U0 a/ B3 P
机器学习-白板推导系列（14）-隐马尔可夫模型
' i% x8 L0 B+ H, \" t5 h5 b& h8 q N; K隐马尔可夫模型HMM（1）-背景介绍.flv
8 x1 M0 t+ p; W隐马尔可夫模型HMM（2）-背景介绍.flv0 h' b5 M) M/ i$ D# R) d! g5 ?
隐马尔可夫模型HMM（3）-前向算法.flv7 {. c3 @- C* U) \! ?2 s: f6 q
隐马尔可夫模型HMM（4）-后向算法.flv6 T* b# V# s) N0 h. O Y* t7 X8 K
隐马尔可夫模型HMM（5）-Baum Welch算法.flv
y! U( S Z/ b! p: m2 P7 y/ @' b& C6 U隐马尔可夫模型HMM（6）-维特比算法.flv; @# d& z. m5 F3 B5 z
隐马尔可夫模型HMM（7）-小结.flv8 F m2 L& C2 ?8 ]6 F
隐马尔可夫模型HMM（8）-小结.flv
6 [; O. S) J7 k9 f+ k
. J6 e7 o% r; t
2 t x8 D' a7 W* K# V; t$ U机器学习-白板推导系列（15）-线性动态系统-卡曼滤波
9 x6 m2 O) I4 n7 P2 c' w线性动态系统1-KalmanFilter.flv
5 }. W! k/ [6 E. z# |' ?4 n3 Q线性动态系统2-Filtering问题.flv
6 X9 g; D! S' G& F线性动态系统3-Filtering问题求解.flv$ m2 [0 s0 n' t/ V
6 B+ a; J+ G- j9 H8 ^. ?
3 ~( U- a) m- o' I$ g机器学习-白板推导系列（16）-粒子滤波
) @! J8 u8 }! N5 C0 R9 r8 x粒子滤波1-背景介绍.flv
2 ~& a8 p' x5 {$ A- x& A2 G& d2 q粒子滤波2-重要性采样.flv# [# c4 p+ h4 ]+ I2 @
粒子滤波3-重采样.flv1 F2 F) x7 K4 y9 @! V+ a9 t
粒子滤波4-SIR Filter.flv1 K/ |% [: [$ _" x3 ~! N
) v) _% X" l4 C u6 N
8 k3 h; i) O2 {! ]
机器学习-白板推导系列（17）-条件随机场CRF& M& `. j) g+ x3 ^
条件随机场（1）-背景介绍.flv2 t6 n0 o* d/ a/ A- V
条件随机场（2）-HMM VS MEM.flv8 }- a8 y Q$ g) Q% Y& t k/ m
条件随机场（3）-MEMM VS CR.flv
$ u0 M1 _, Q$ ^8 B条件随机场（4）-CRF模型-概率密度.flv, h% P7 q9 {1 r2 E( u
条件随机场（5）-CRF模型-概率密度.flv) v* \ ?1 S# `; F1 ~
条件随机场（6）-CRF模型-要解决的.flv J% A! i) b1 n, o3 ~
条件随机场（7）-CRF模型-Infe.flv
7 Y& M* L$ H' ~. I }; [) B9 d条件随机场（8）-CRF模型-Lear.flv% @+ [* ^ I. \7 X1 ~
( ^7 f* _1 J% o$ [1 ^, Q
5 c' E+ H: I/ G0 |! t3 C3 |3 l机器学习-白板推导系列（18）-高斯网络7 T1 w3 u2 F0 e! {, f4 P! C
高斯网络（1）-总体介绍.flv5 t$ D; d5 K" e4 ?9 Y0 s2 E* j
高斯网络（2）-高斯贝叶斯网络.flv
) y" V+ u- Z6 O1 o! o# P高斯网络（3）-高斯马尔科夫随机场.flv
- G0 u, j2 |8 f0 `$ L! K7 e7 g0 |
, F k9 G& C' `, x3 |; N, w$ C) ^# x' K* l% y( t
机器学习-白板推导系列（19）-贝叶斯线性回归$ n W9 t9 R: i; {% y& v2 ~, A
贝叶斯线性回归（1）-背景介绍.flv2 U4 U/ _ q/ `
贝叶斯线性回归（2）-推导介绍.flv
9 y3 T% U. N" Y7 k- ]贝叶斯线性回归（3）-推导介绍.flv& V+ S7 T, n, h
贝叶斯线性回归（4）-推导预测.flv% o6 t, _; _/ i1 t
贝叶斯线性回归（5）-小结.flv
* N% P( `8 ]. t. a0 [3 U, L
; |+ W: e$ a" L2 e1 f; b' q
! T- H+ E% G6 _3 ~; X5 a机器学习-白板推导系列（20）-高斯过程GP: Z) C8 o {" ~2 z* z
高斯过程GP（1）-简单介绍.flv
8 ]' o8 J3 ~2 s' l% i+ J5 X高斯过程GP（2）-权重空间角度.flv
$ q7 J$ o$ c( H/ u高斯过程GP（3）-权重空间到函数空间.flv
9 V) Y, H* |# \8 Z) g' G高斯过程GP（4）-函数空间的角度.flv
6 |+ @. q, c* ?: X& h3 v8 {$ C. E
& v B# ~9 e/ I" w G. {1 T0 F n4 Y! L/ ^
机器学习-白板推导系列（21）-受限玻尔兹曼机RBM- S O, b6 u! V$ }) M
受限玻尔兹曼机RBM（1）-背景介绍.flv
9 e) |% K0 b8 H9 u受限玻尔兹曼机RBM（2）-背景介绍.flv2 c9 w! [) Z( I7 X5 @! |/ C# B2 K/ R
受限玻尔兹曼机RBM（4）-模型表示.flv
7 O; M7 z9 G! Y# b5 y受限玻尔兹曼机RBM（5）-模型推断.flv6 X9 j5 H a$ }3 u0 |' Q- |
受限玻尔兹曼机RBM（6）-模型推断.flv
/ ?9 M$ D2 F5 n2 N' U
6 Q# X4 O9 G) Z/ f* M
0 f8 ?6 |/ m% S+ H3 T机器学习-白板推导系列（22）-谱聚类
4 i- _9 z! e7 [' I. U: ?谱聚类（1）-背景介绍.flv
) F7 X* u+ X+ z) B- B谱聚类（2）-模型介绍.flv
; b1 U7 S9 x, |; }. f* p( |0 h' b- d谱聚类（3）-模型的矩阵形式.flv7 E, ]5 w/ Q: h U( r V, D
谱聚类（4）-模型的矩阵形式.flv
6 o% ` P9 [7 t! f谱聚类（5）-模型的矩阵形式.flv
5 z" {; c4 A6 ~3 p+ E5 |% [& @$ O- o! e% U
3 J* \ j9 k) r
机器学习-白板推导系列（23）-前馈神经网络
& N! d9 o# h0 Q0 L! \
. T/ [/ L1 O& i4 J3 |1 ]$ v* ^前馈神经网络（1）-从机器学习到深度学习.flv
1 b+ y8 J: }& \; X* i1 P; D1 c前馈神经网络（2）-从感知机到深度学习.flv& ^$ P& U2 {2 J! z
前馈神经网络（3）-非线性问题的三种解决方法.flv
1 d: Q: H1 d/ M
1 F4 G/ D1 l6 h5 T5 R# X
0 H' x% M) B) N |
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