|
|
课程目录：
8 B. J# k( _3 Q0 m3 s' w0 v/ M, H机器学习-白板推导系列（01）-开篇/ p% e8 A- g. w6 C
开篇（1）-频率派VS贝叶斯派.flv
/ D/ u3 A, q/ w) g' G' Z* c开篇（2）-学习资料介绍.flv
$ a! m/ s& }) B" i1 j
) Y/ t5 \+ g, I$ ?# l# P/ P
( X' M, C( o1 e3 ]机器学习-白板推导系列（02）-数学基础
) U1 h0 s6 v+ @数学基础（1）-高斯分布-极大似然估计.flv" B# n1 b" S+ }& G0 @
数学基础（2）-高斯分布-极大似然估计（无偏估计VS有偏估计）).flv9 t4 J0 e( _! \, ~' Q
数学基础（3）-高斯分布-从概率密度函数角度观察.flv8 }( l! I% X" {/ D
数学基础（4）-高斯分布-局限性.flv
8 n2 N! p" ?" G, {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! H* R' X" }5 V0 O' E
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, ~3 X0 F) s' Y* [
数学基础（7）-不等式-杰森不等式.flv g/ \3 }- s% I D5 G' p$ X
0 }5 ]0 X0 T. D# W) S, }6 k/ ]
5 D# G3 w; M! Y
机器学习-白板推导系列（03）-线性回归
# \5 D1 H2 U5 k" T! E8 k s, Q5 P线性回归1（最小二乘法及其几何意义）).flv
$ B. ]5 o- W0 @& t# P7 Q' n线性回归2（最小二乘法-概率视角-高斯噪声-MLE）).flv- c0 @7 h' x: j7 d9 q4 u T
线性回归3（正则化-岭回归）).flv6 G! R$ |8 U3 t/ S l" _( I
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
4 R$ h& h1 W; {0 w& M+ ^8 R& b, o
# x7 L& R# V/ x9 `9 h) j# [* d# T) j5 y7 T
机器学习-白板推导系列（04）-线性分类
, H1 z$ k4 t& d线性分类1-背景.flv4 M+ z5 E4 {+ l& y
线性分类2-感知机（Perceptron).flv) f. e7 g6 |4 Z: G1 k: N
线性分类3-线性判别分析（Fisher判别分析）-模型.flv
( |- q+ c# k9 E: k9 i, k线性分类4-线性判别分析（Fisher判别分析）-模型.flv4 C! K, \( o o, F- Y( H
线性分类5-逻辑回归.flv
; _* I" J2 f2 {线性分类6-高斯判别分析.flv
* @( j. T* b0 L$ Y2 _/ |( z线性分类7-高斯判别分析.flv
8 t8 U& v/ G- p5 T1 K1 R1 D线性分类8-高斯判别分析.flv
9 S* v f1 g; n1 D线性分类9-朴素贝叶斯分类器.flv
# X! l) ]5 l9 e" p/ u, r" T# {* d9 G8 ?7 R* }1 x
) G7 Z- r5 }" m0 S# t" K1 o5 V# r机器学习-白板推导系列（05）-降维
# F3 { `& x1 x2 N' a降维1-背景介绍.flv
- }/ t- P+ k+ {降维2-样本均值&样本方差的矩阵表示.flv
) G7 d- w. v; C% Y% m2 n5 ~降维3-主成分分析（PCA）-最大投影方差角度.flv
7 L, w; X7 T# `# G: O( e降维4-主成分分析（PCA）-最小重构代价角度.flv% t O3 b6 w6 N: f& F
降维5-主成分分析（PCA）-SVD角度.flv+ W- j. t B q7 _$ ]3 i$ G
降维6-主成分分析（PCA）-概率角度.flv
1 c! v x* h2 M; D5 R; |3 P& z3 k+ S' W) z8 P6 R6 q% z o
3 E+ c$ e" c9 C0 K; ]' u8 r
机器学习-白板推导系列（06）-支持向量机SVM
' q! M+ Z( L: q3 H/ H/ @9 |支持向量机1-硬间隔SVM-模型定义.flv& M! ?' W: N! o% Z; ^' T- f) R: y
支持向量机2-硬间隔SVM-模型求解.flv F _# B. F7 [
支持向量机3-硬间隔SVM-模型求解.flv
. a8 A0 l# L5 s) A支持向量机4-软间隔SVM-模型定义.flv
$ [3 z2 s, o2 x# b支持向量机5-约束优化问题-弱对偶性证明.flv
9 R( F& d, Q0 b; P$ Y" B: ^支持向量机6-约束优化问题-对偶关系的几何解.flv! X6 O9 a" C% Y3 B# e% @# K
支持向量机7-约束优化问题-对偶关系之sla.flv
1 p8 _1 L* q! g( f9 ~* K; \5 s支持向量机8-约束优化问题-对偶关系之KKT.flv7 t" b1 z, Z" A$ n+ p1 E p
支持向量机9-备份.flv
5 H# W9 I9 j2 v; `
! i$ X3 g' d+ ]: I( p& g' L; f7 x; O! l1 O3 K5 x# P
机器学习-白板推导系列（07）-核方法# H V3 @6 @3 c N! u/ O
核方法（1）-背景介绍.flv
6 ?: N7 |4 ^, |! ^8 v核方法（2）-正定核的两个定义.flv
, ~# O2 Y7 z6 {# U- T核方法（3）-正定核充要条件-必要性证明.flv
# k+ c- ~& _, {! g核方法（4）-备份.flv
1 z2 B. h( r& `0 F" g
% y% c; {9 J8 |& j, t3 J# B
5 M% @& s' i4 n, @7 V机器学习-白板推导系列（08）-指数族分布
6 V8 ~7 Z+ v9 z: d指数族分布1-背景.flv
% R3 F$ x3 `0 Y) e指数族分布2-背景.flv
- c3 Y2 y( j9 @3 m/ k1 _0 ]3 z9 {指数族分布3-高斯分布的指数族形式.flv
' L! w; i# e5 f: b/ `3 G& ]指数族分布4-对数配分函数与充分统.flv
% ^- }, V, z% \5 ^1 K7 F指数族分布5-极大似然估计与充分统.flv* J" O3 z6 V) f+ c5 i
指数族分布6-最大熵角度.flv
4 p$ B$ @0 V; H+ z2 X/ n指数族分布7-最大熵角度.flv# e; u8 L0 i6 M9 q8 k; Y
6 N% O1 ~- c2 O3 N2 B+ U) C
; f6 G: S$ [1 R; I. N2 q- i8 V机器学习-白板推导系列（09）-概率图模型基础
H+ x+ a0 n' b3 {/ e3 Q概率图模型1-背景介绍.flv, d8 U5 t* G" P2 D5 `# L
概率图模型2-贝叶斯网络-Representation-条件独立性.flv
' h7 p$ G4 r! w9 g* K: ?& X B概率图模型3（补充解释）-贝叶斯网络-Representation-条件独立性).flv3 S8 ?& M# V/ }- W
概率图模型4-贝叶斯网络.flv
1 Q8 R6 E- M! _* b概率图模型5-贝叶斯网络.flv9 o1 j/ i+ H. l. T5 q/ v! |$ C2 ^
概率图模型6-马尔可夫随机场.flv8 k* h3 ?1 V1 B
概率图模型7-马尔可夫随机场.flv, Q. J2 c. b/ e) e% l
概率图模型8-推断Inference.flv
& `0 K( J" |* b概率图模型9-推断.flv' i! ^& y! ^" ? L. k( [2 I) l
概率图模型10-推断.flv
7 P* Z3 {0 X- L概率图模型11-推断.flv+ z8 V0 b% Q- w* X/ }0 h( n! ?
概率图模型12-推断.flv6 [4 t$ M6 @- g1 c4 p9 L- n
概率图模型13-推断.flv
: a+ T/ F* l3 f3 X* f概率图模型14-概念补充-道德图.flv
$ D- l* F( v' I6 q5 I7 s$ l概率图模型15-概念补充-因子图.flv; D% [! Q1 G- B7 B* Q: l! I
7 f2 C7 |1 h! c3 w
( }+ ?: g* S$ }# K3 I机器学习-白板推导系列（10）-EM算法- H0 @& P4 F7 z% A
EM算法（1）-EM算法公式以及算法收敛性证明.flv
- F# }4 A! i ~9 MEM算法（2）-EM算法公式导出之ELBO-KL Diver.flv7 a0 i9 f G% Y1 L
EM算法（3）-EM算法公式导出之ELBO-Jensen I.flv; V6 D2 y: N, W) d5 W9 \
EM算法（4）-EM算法再回首.flv0 m" E2 W/ A# w0 S2 f! j4 k/ {
EM算法（5）-广义EM.flv
. O5 Z6 `4 F( u) d aEM算法（6）-EM变种.flv
7 R; Y) l( M5 y7 [! S5 x: N3 C; @! h) t. [0 ?/ b
7 |' [" ?9 } T" P8 b# ~1 E
机器学习-白板推导系列（11）-高斯混合模型GMM g4 J$ H& [; I4 R0 C4 g1 \
高斯混合模型（1）-模型介绍.flv. F' }& R$ M# a7 d! C3 S4 w- A4 Q9 P
高斯混合模型（2）-极大似然.flv3 K3 l7 x2 x6 m. J- `
高斯混合模型（3）-EM求解-E-Ste.flv" B* z }7 L5 x: v. V: P7 L. O
高斯混合模型（4）-EM求解-M-Ste.flv
& [/ {% A4 o0 l) ?) V) I/ }7 i+ o
! _5 c( m$ j$ F3 D5 P* U) V3 T# J! y
机器学习-白板推导系列（12）-变分推断4 ?% j' x$ ~! f
变分推断1（背景介绍）.flv. W' p9 J& b$ K6 l2 t) j4 i5 K
变分推断2（公式推导).flv- f! {- f6 Z B" S4 P' U! }
变分推断3（再回首).flv6 R0 U. d# o: }" ]
变分推断4（随机梯度变分推断-SGVI-1).flv
. a ^6 ]' ?: V/ V+ f0 U4 [变分推断5（随机梯度变分推断-SGVI-2).flv, g+ B4 V" S( H/ J8 U% ~1 s
8 P$ ~% q3 K2 u: Z0 T2 T7 ~
F/ y/ ]4 ]" y, f机器学习-白板推导系列（13）-MCMC
; b1 A6 a7 J2 K+ `+ l蒙特卡洛方法1.flv+ C3 p! R5 Z2 p) X+ M O% c. R
蒙特卡洛方法2.flv/ T; O0 k! {" j2 {( c6 n
蒙特卡洛方法3.flv
& j, S0 k' R* [3 R4 F1 ]7 p0 N" h5 q蒙特卡洛方法4.flv
8 a% U: s# X& D% v5 W$ E. n蒙特卡洛方法5-吉布斯采样.flv
6 Q* E% S9 ^: t4 g/ t; K. z蒙特卡洛方法6.flv
@2 l m( h8 ?" H蒙特卡洛方法7.flv
. Y* Y$ M0 C, ~8 a4 Q蒙特卡洛方法8.flv
5 z7 @5 o' `. `- |
! T7 y5 i( ^2 c- U1 a7 ?: m: ~" \$ m4 t/ C( T
机器学习-白板推导系列（14）-隐马尔可夫模型
. K' _% M r* j隐马尔可夫模型HMM（1）-背景介绍.flv0 S. x5 R# j: l9 ]. c1 V+ _
隐马尔可夫模型HMM（2）-背景介绍.flv
1 w0 G: B' G# g2 B. O. p* `隐马尔可夫模型HMM（3）-前向算法.flv
# z; D4 U, [* U隐马尔可夫模型HMM（4）-后向算法.flv
! O7 d5 I' \ H5 R- \隐马尔可夫模型HMM（5）-Baum Welch算法.flv
! m1 t# k5 Q. ~5 |. k隐马尔可夫模型HMM（6）-维特比算法.flv& d9 b. i9 k. s) }$ f2 y1 N. h
隐马尔可夫模型HMM（7）-小结.flv
% b- S5 Z" N; y' D4 e- l隐马尔可夫模型HMM（8）-小结.flv
]: v9 Q" z& S2 B& S5 N x2 q) h: f) |& O# v& d+ `0 ^
* G" i% W6 e( ?' B& f4 r/ _$ x4 f% M
机器学习-白板推导系列（15）-线性动态系统-卡曼滤波8 e. `. a, Y1 ]# g! n* S
线性动态系统1-KalmanFilter.flv$ j# S5 i: n+ z+ o- m
线性动态系统2-Filtering问题.flv
% i* W* D& J4 ? {线性动态系统3-Filtering问题求解.flv: E0 P, N1 s1 ?1 K
- Y- q8 a* d& {1 {" S* M- ]: b' j- M$ K, m: P9 O1 ?/ p
机器学习-白板推导系列（16）-粒子滤波; y d* i8 Q2 S7 A- S& v& b
粒子滤波1-背景介绍.flv
7 t; z* R% R( I* \: n6 _3 c粒子滤波2-重要性采样.flv" R/ w- m- h! D6 e
粒子滤波3-重采样.flv
% o$ z6 h# C& x: l3 t5 m粒子滤波4-SIR Filter.flv3 X4 C8 x$ u4 v5 s0 w
, L, T+ [; p! }5 ^* B8 C0 z2 w
1 u2 e; y9 v `2 p2 O! Z0 O机器学习-白板推导系列（17）-条件随机场CRF
3 |' t+ v/ g+ I% l) {& H条件随机场（1）-背景介绍.flv1 @) y8 @0 T V6 G' A
条件随机场（2）-HMM VS MEM.flv4 G# S2 F4 n1 M: B e4 `- {/ z( ]4 q
条件随机场（3）-MEMM VS CR.flv. f) I$ k' L3 o
条件随机场（4）-CRF模型-概率密度.flv& E4 b- @. c, J" ^
条件随机场（5）-CRF模型-概率密度.flv0 z; p3 k* A. z7 E
条件随机场（6）-CRF模型-要解决的.flv
u# i2 V% h+ Q, k' C条件随机场（7）-CRF模型-Infe.flv
2 }" |! ?1 E! R, N7 M条件随机场（8）-CRF模型-Lear.flv
. H, d( Z9 u' S; c6 H3 a2 I( m& u- {, x' A2 j
' ^, e a6 h2 P8 U机器学习-白板推导系列（18）-高斯网络( d4 _& W6 N1 a( D! F, P& s
高斯网络（1）-总体介绍.flv2 F5 k# x" Y. z b$ X# l" b
高斯网络（2）-高斯贝叶斯网络.flv8 d& N8 k; a% M" K& Z- Y
高斯网络（3）-高斯马尔科夫随机场.flv
7 x( g Z! |! R# ^! F$ L# e; ]+ T/ r" E/ b$ u5 O
) P+ m9 G+ R1 |+ _4 {) H P* n机器学习-白板推导系列（19）-贝叶斯线性回归
; d9 c. ?. }+ q6 F/ v8 B- L2 T8 P贝叶斯线性回归（1）-背景介绍.flv
8 l) z& J, E' O- U) P) S' s% }7 ~贝叶斯线性回归（2）-推导介绍.flv
0 Q/ m) `7 u5 l. ^4 G& T* g贝叶斯线性回归（3）-推导介绍.flv2 o1 a" c* K' T9 F: G0 R
贝叶斯线性回归（4）-推导预测.flv0 b6 x3 Q# A' E7 K: Z" n3 n( |
贝叶斯线性回归（5）-小结.flv
, G5 w8 n, M. W4 d* r8 w. I
9 \) o+ @3 e; T0 g% u7 M$ H, F7 U% ~3 y5 z& }: @# z2 b; c
机器学习-白板推导系列（20）-高斯过程GP. A, |3 \4 |; W. a* x; Y
高斯过程GP（1）-简单介绍.flv! ~% q) z' K+ o6 Y I2 J8 B9 u, M
高斯过程GP（2）-权重空间角度.flv
2 v# @6 K& G, t高斯过程GP（3）-权重空间到函数空间.flv- u3 R* s3 m) f
高斯过程GP（4）-函数空间的角度.flv
2 b2 t. S |! ^5 G! a" ?, p2 ~% t# x3 }, c/ g3 Q
- N5 u0 v+ `4 D/ K# @机器学习-白板推导系列（21）-受限玻尔兹曼机RBM- E/ X4 w) c6 R3 ?3 P
受限玻尔兹曼机RBM（1）-背景介绍.flv
) o7 j7 a6 F1 }; F" [- @2 s' L受限玻尔兹曼机RBM（2）-背景介绍.flv8 n3 Z# j. H! R: E3 y
受限玻尔兹曼机RBM（4）-模型表示.flv
6 A$ X* C' W* e- p4 }; Y; E5 Z; H$ u受限玻尔兹曼机RBM（5）-模型推断.flv& k' P6 o2 T/ u" G$ W3 X! K0 j, S, ?
受限玻尔兹曼机RBM（6）-模型推断.flv
o6 ]; h% P( R
6 {2 ~6 \$ _: S0 h9 Y/ g5 m' S
! i$ ]5 k/ Q; ~& L3 u: a5 ~3 d& [; t机器学习-白板推导系列（22）-谱聚类7 g8 W; ~# I+ I8 S- n% z
谱聚类（1）-背景介绍.flv
% S7 H3 j* q: F9 @# L% }0 D9 z谱聚类（2）-模型介绍.flv
5 Z, ^. e- C& y9 U+ N; ?谱聚类（3）-模型的矩阵形式.flv
) v8 E, J. H |; O4 I0 p谱聚类（4）-模型的矩阵形式.flv
" _; B; `! t" i: L# y* g2 s m: e谱聚类（5）-模型的矩阵形式.flv% _. c( L8 q" s: F0 T9 C" P, W
}4 L$ ^5 @; d5 E8 U8 ]' p" ]! e" A9 g$ Y% y
机器学习-白板推导系列（23）-前馈神经网络- M5 k4 q, w9 k' v) D0 r
; F% K5 k; |5 |7 Z7 T
前馈神经网络（1）-从机器学习到深度学习.flv! z- t/ q' h* o1 e% S, p3 R
前馈神经网络（2）-从感知机到深度学习.flv
! N8 V, T! m0 x! l4 E前馈神经网络（3）-非线性问题的三种解决方法.flv
! f, M% R0 p6 c! X
* b9 a. y6 X+ a/ H( j7 M+ M
: o# r9 |# E9 b) i |
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