|
|
课程目录：
9 B$ @ J# S# p) K/ T机器学习-白板推导系列（01）-开篇2 l) P& I( C: ^/ y. i- o5 p( e0 L4 J
开篇（1）-频率派VS贝叶斯派.flv
/ u* i* w4 h/ ]5 U- x2 \开篇（2）-学习资料介绍.flv
$ i4 V: W8 T3 W) S) q8 t' }4 v. U) K5 F. r
2 B) F' r$ s4 S; J6 b( U! C
机器学习-白板推导系列（02）-数学基础
+ F2 x3 k- t h& u ?" `数学基础（1）-高斯分布-极大似然估计.flv
: Y6 ~5 w7 O9 |9 _. @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: l2 ~8 X5 J" q3 k+ t
数学基础（3）-高斯分布-从概率密度函数角度观察.flv
6 [7 S7 [! @4 I* E0 N数学基础（4）-高斯分布-局限性.flv
) ^$ s, j% g9 b1 A8 T/ C+ c/ H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
+ S9 r0 W3 [& T1 } a$ Z4 R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
% l# C/ ~/ @. V" Q- i0 q数学基础（7）-不等式-杰森不等式.flv* q) q4 y+ v1 s6 d# ~
3 a" J+ l# K9 ~/ X5 C
# u1 c& Q4 d! i$ [0 q3 h* ?( [机器学习-白板推导系列（03）-线性回归
; o. Q9 l8 T0 S线性回归1（最小二乘法及其几何意义）).flv! l! C+ a& I: |& p6 m" w3 C9 `
线性回归2（最小二乘法-概率视角-高斯噪声-MLE）).flv# _& c& t3 c/ k6 p/ N9 C9 ?6 m/ o: E9 h
线性回归3（正则化-岭回归）).flv- F7 Z5 L/ [+ d, E- j& h
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: c7 M6 b, H& x5 W7 B
+ Z8 S- s9 p+ K* e* d* j
& [ T$ Y+ p2 q机器学习-白板推导系列（04）-线性分类1 @% ]' u) Z! p9 c' v+ Z* a) _. w
线性分类1-背景.flv
+ s- I7 J) t- b. s' g* ^线性分类2-感知机（Perceptron).flv( q) n* P6 Q a" \2 S
线性分类3-线性判别分析（Fisher判别分析）-模型.flv' W6 {* m/ ^3 q2 |
线性分类4-线性判别分析（Fisher判别分析）-模型.flv
/ S) K( Y X( j线性分类5-逻辑回归.flv+ u9 ^/ q: A. G" ]
线性分类6-高斯判别分析.flv; u% e3 [) Y4 J* N
线性分类7-高斯判别分析.flv) w1 M; V$ p) t# i
线性分类8-高斯判别分析.flv
$ [0 {" A9 P# Z0 \" E4 c6 K: ~线性分类9-朴素贝叶斯分类器.flv
% m% o+ L: d1 A7 L+ ~* Q$ v* C8 t2 C: V: b8 W( W
1 `7 ^! {& s: G4 R4 \机器学习-白板推导系列（05）-降维
" j) h* W2 s# O( `降维1-背景介绍.flv
% `1 V' _5 r2 t5 g& H降维2-样本均值&样本方差的矩阵表示.flv
' U' e4 E, D$ L( A降维3-主成分分析（PCA）-最大投影方差角度.flv8 a) j6 O1 Y9 ^
降维4-主成分分析（PCA）-最小重构代价角度.flv
9 v1 N* t+ [; K! S降维5-主成分分析（PCA）-SVD角度.flv
6 T2 t ?& {" ?& t降维6-主成分分析（PCA）-概率角度.flv
1 [2 s/ j7 U+ l% h$ a' N. a t
# ~4 _0 m+ @; L- W8 U( m( h4 Q! X$ w
机器学习-白板推导系列（06）-支持向量机SVM- t, I* H. O% N
支持向量机1-硬间隔SVM-模型定义.flv4 p5 @% F4 i& L4 d- {/ V
支持向量机2-硬间隔SVM-模型求解.flv% F3 ]+ G7 P, V4 B- B
支持向量机3-硬间隔SVM-模型求解.flv; x, U. |8 l2 F
支持向量机4-软间隔SVM-模型定义.flv
3 t. U+ b5 l, Z8 j$ N9 K4 A' ^支持向量机5-约束优化问题-弱对偶性证明.flv* U4 G' m% ~9 `& S9 Z! b$ x9 R
支持向量机6-约束优化问题-对偶关系的几何解.flv- @6 q$ Y2 |# ?! D4 ^
支持向量机7-约束优化问题-对偶关系之sla.flv
" ]2 R3 C/ A) C/ d1 p6 I& D; h7 x$ S支持向量机8-约束优化问题-对偶关系之KKT.flv
, m+ k5 V" f- t/ I, M. e) {9 [6 w t支持向量机9-备份.flv! P+ X7 Z: r+ W8 q# Y
0 Z& K! }3 ^8 u6 c
$ f4 G% l: n+ U机器学习-白板推导系列（07）-核方法4 }8 v3 b; O8 G/ L2 K* C( V
核方法（1）-背景介绍.flv
& q ? ]2 c9 C. j$ P7 H" x" w核方法（2）-正定核的两个定义.flv$ ]* H# X& }( E
核方法（3）-正定核充要条件-必要性证明.flv
) [/ r T4 J6 K; v& R2 T( p5 l3 ~4 M核方法（4）-备份.flv0 Y/ W' a1 V( @% M* D! {# e
% {' S1 z5 `' G
3 B; g/ Z- u }/ F机器学习-白板推导系列（08）-指数族分布
! `1 o1 q! X2 O9 P- M, O0 |指数族分布1-背景.flv
2 P, S$ g" n1 ?+ j2 q- R7 X8 J& K指数族分布2-背景.flv
4 D3 ?" `5 h* @1 n+ f指数族分布3-高斯分布的指数族形式.flv
& H$ `* a9 l. k5 o* D7 |指数族分布4-对数配分函数与充分统.flv5 \/ D) `" o( _; `+ @5 \5 p7 e
指数族分布5-极大似然估计与充分统.flv$ Q, S, b5 F2 z, t- d, u; w
指数族分布6-最大熵角度.flv
. p( w# E( _( ~* I" O8 g指数族分布7-最大熵角度.flv
4 p5 r5 x4 J( m' [' e$ P0 z# G: `0 j2 }# k- _/ M
: N- b' ]6 u; d4 f7 x, [
机器学习-白板推导系列（09）-概率图模型基础4 b/ I9 |. B" J& n& P9 ~1 H
概率图模型1-背景介绍.flv
: w( C0 a: J/ |: C m: m概率图模型2-贝叶斯网络-Representation-条件独立性.flv5 H8 u& @. b8 ^" Q6 e9 o; @
概率图模型3（补充解释）-贝叶斯网络-Representation-条件独立性).flv
1 ]6 |- _# \" z' |概率图模型4-贝叶斯网络.flv
$ W7 d. J+ M0 y( d$ W概率图模型5-贝叶斯网络.flv
" R; C P, ?/ b5 j e/ \概率图模型6-马尔可夫随机场.flv
) L q2 X6 i i2 W概率图模型7-马尔可夫随机场.flv1 }& H' e0 b% g3 J( B; F2 ^
概率图模型8-推断Inference.flv' B" d3 i, X. C' @ Z/ Z7 g4 ~
概率图模型9-推断.flv
2 |5 |% T( o" \+ A5 l* _' t概率图模型10-推断.flv3 d" w( I+ y- S2 v4 p7 s
概率图模型11-推断.flv6 o6 w* d0 G& N
概率图模型12-推断.flv7 F+ C2 p! P2 S8 O) f4 k
概率图模型13-推断.flv+ D9 z5 R& I2 S9 y. m
概率图模型14-概念补充-道德图.flv
: @3 |2 P% y' G8 K概率图模型15-概念补充-因子图.flv1 P" j. I7 I9 E* e: ]6 L9 ?5 F
8 z4 j0 @8 K! I6 ]3 ]
5 ~# {0 ?( j9 X, p机器学习-白板推导系列（10）-EM算法
7 w7 E- p# t" A% V4 X" FEM算法（1）-EM算法公式以及算法收敛性证明.flv
8 P! B6 b* I# h# `8 fEM算法（2）-EM算法公式导出之ELBO-KL Diver.flv, L% Y# w3 A+ k" X" P) C. b
EM算法（3）-EM算法公式导出之ELBO-Jensen I.flv; Z- f; l2 ` W! ~6 S
EM算法（4）-EM算法再回首.flv9 |/ W, S9 P* ~2 b3 K
EM算法（5）-广义EM.flv
; }+ i v) o* r% kEM算法（6）-EM变种.flv
- ^, ]* @! X; M3 G5 [6 D* B' {* A2 c# X+ {' O6 |; h
0 C: }& k+ s. ?: I4 J4 }5 T机器学习-白板推导系列（11）-高斯混合模型GMM5 l6 x- }* A1 |9 Y+ @7 a$ _* A
高斯混合模型（1）-模型介绍.flv
# O! f% E L a, x. @; E! r1 [# l& j高斯混合模型（2）-极大似然.flv
/ J% F8 N& }5 J5 v! y高斯混合模型（3）-EM求解-E-Ste.flv6 m. w. G# j# G5 d0 j$ P
高斯混合模型（4）-EM求解-M-Ste.flv
, c4 {" n1 L$ F, U2 R7 M' [$ E' {/ R$ _! C/ v! f
! p3 t* F' @9 k; B" E2 M
机器学习-白板推导系列（12）-变分推断
7 ^ L/ ]$ L, \( g变分推断1（背景介绍）.flv
- `8 C1 Y# j. g! N3 S" o0 g5 Y变分推断2（公式推导).flv
. r" G. ?4 K1 {! W' E# p; V. u变分推断3（再回首).flv
1 B7 C0 |8 ]) L9 b9 x变分推断4（随机梯度变分推断-SGVI-1).flv" m, r% S2 `' K* j" ?" L5 k
变分推断5（随机梯度变分推断-SGVI-2).flv& j- S4 Z( o3 J( r& ?
6 \. P5 i4 S/ B5 v( i' q7 U# Y+ D1 s. Y) s6 i% c, y3 Z3 D
机器学习-白板推导系列（13）-MCMC
& t" _1 V$ q5 Z. S# ]/ I4 x蒙特卡洛方法1.flv/ m" K& q" [4 W3 z2 z L4 d
蒙特卡洛方法2.flv
0 l) J: L$ j- ~# @蒙特卡洛方法3.flv
( t$ r, V o& w0 b' Z! C. v蒙特卡洛方法4.flv
4 y8 R l- c% b' V& {蒙特卡洛方法5-吉布斯采样.flv
+ g! } N; o, `蒙特卡洛方法6.flv$ ~$ G1 u, o/ E: j
蒙特卡洛方法7.flv3 |- u3 G& h/ r7 |. l/ n/ F0 I. A
蒙特卡洛方法8.flv
1 N9 ?8 ^* o5 `7 k( z' s$ L
# X: _5 y- h: Z$ R
' m& \+ Z) O( J5 A' t机器学习-白板推导系列（14）-隐马尔可夫模型
1 H* ?2 X# D6 O q- W- d: [$ \隐马尔可夫模型HMM（1）-背景介绍.flv+ b. i. O1 H2 p( q* N- |; Q
隐马尔可夫模型HMM（2）-背景介绍.flv: g1 J$ y" B$ p/ _' F g3 ?& a: B
隐马尔可夫模型HMM（3）-前向算法.flv2 z% o" O1 t- I: H/ h
隐马尔可夫模型HMM（4）-后向算法.flv
& N) w6 O0 X- v9 u隐马尔可夫模型HMM（5）-Baum Welch算法.flv* T4 y' m; P! ]) s+ n
隐马尔可夫模型HMM（6）-维特比算法.flv
. e- ^. L; l: ^' [+ `隐马尔可夫模型HMM（7）-小结.flv
2 |4 h" R2 V6 K# t5 p6 C隐马尔可夫模型HMM（8）-小结.flv: u$ p6 ^' G/ n: \
/ l' s! d' ~) c$ ` n3 H
3 X5 b e4 f8 s7 X( o
机器学习-白板推导系列（15）-线性动态系统-卡曼滤波/ G4 q5 x) r+ _
线性动态系统1-KalmanFilter.flv
8 \; f' \7 u4 W线性动态系统2-Filtering问题.flv, f, i3 ~" u/ q( I" {& N
线性动态系统3-Filtering问题求解.flv9 n2 d' {+ E: Q P4 A" r" Y& m; R
: Q# h- r4 B2 _1 S4 i" i n0 J! O
/ ^+ z5 }1 p2 p; t% r$ b+ c& Q机器学习-白板推导系列（16）-粒子滤波: r5 m8 A5 i+ Q
粒子滤波1-背景介绍.flv
, t& h+ u# I" U# A1 b) K. V粒子滤波2-重要性采样.flv+ I) t. x( Q2 P7 G7 C7 q" _
粒子滤波3-重采样.flv
I' H, L- ] }2 u粒子滤波4-SIR Filter.flv
- t2 f5 l8 D% j" }9 e. s1 E
0 [) M$ c0 H3 [! b8 ]. a; C: H$ z a7 r
机器学习-白板推导系列（17）-条件随机场CRF Z9 W0 B8 ^. B2 {+ g
条件随机场（1）-背景介绍.flv" T9 p/ W1 I+ F. K7 l$ M4 W
条件随机场（2）-HMM VS MEM.flv
$ x* t4 g( W) ^; @2 {条件随机场（3）-MEMM VS CR.flv
( D% Z* A' |/ [条件随机场（4）-CRF模型-概率密度.flv0 _0 k9 p5 {' X) i5 a% s
条件随机场（5）-CRF模型-概率密度.flv6 R, w& Z4 U6 B5 d# o4 P
条件随机场（6）-CRF模型-要解决的.flv, z8 m' }% {) h |' G3 V @: H( P. B
条件随机场（7）-CRF模型-Infe.flv
+ }. T, i4 B3 Y* `/ Q! Z条件随机场（8）-CRF模型-Lear.flv8 Q2 |6 z* M' y, v* @$ l$ n2 i
/ p3 }* R# W7 o! j% N: S) u
/ s5 c. ]9 a- x. {# l机器学习-白板推导系列（18）-高斯网络0 x& k0 x) m: o$ _. o6 ?
高斯网络（1）-总体介绍.flv6 X3 m% Y) [+ g3 {% t3 G) @2 k; G
高斯网络（2）-高斯贝叶斯网络.flv$ C1 b) `% I7 ^! R
高斯网络（3）-高斯马尔科夫随机场.flv
4 Q7 c0 s! ]7 p- |* t, y0 h; c/ Y6 e0 \3 W; M" Z* L4 q
9 G1 I2 S5 O( R. O4 c机器学习-白板推导系列（19）-贝叶斯线性回归- y) N$ T" {% k; l. r+ z/ P
贝叶斯线性回归（1）-背景介绍.flv
. K( }# \- b/ E' b; a+ h$ T3 w1 i/ J贝叶斯线性回归（2）-推导介绍.flv+ B" D; u6 Y; V4 U
贝叶斯线性回归（3）-推导介绍.flv
3 m$ W' V7 d" X9 c; {+ K/ @贝叶斯线性回归（4）-推导预测.flv
1 q) \( P7 V, W" _- J7 o5 u! y贝叶斯线性回归（5）-小结.flv9 Y; o# U. I' e/ |& A4 ^/ J+ s5 q7 ?
6 A; K& @5 P& b; `& Z T% j2 f9 c) V! `' F* ]# x" z8 n
机器学习-白板推导系列（20）-高斯过程GP+ B& b1 o. G% P8 G1 c) E! ]; g
高斯过程GP（1）-简单介绍.flv
' n# @* G5 _8 G d6 `! o高斯过程GP（2）-权重空间角度.flv: u8 U2 s$ [9 t9 t
高斯过程GP（3）-权重空间到函数空间.flv$ i Z: f' Z4 d3 J5 A
高斯过程GP（4）-函数空间的角度.flv0 S1 u; H" \# n8 z+ u% m1 P
' s) B% {; \) I$ e7 `
8 E! W! n+ X c t2 x机器学习-白板推导系列（21）-受限玻尔兹曼机RBM6 `% I9 r: z& e
受限玻尔兹曼机RBM（1）-背景介绍.flv9 H7 P) y. n$ N& r% r' f" L% @7 `* V: d
受限玻尔兹曼机RBM（2）-背景介绍.flv; @8 n3 {: H( v1 }) L/ |8 K
受限玻尔兹曼机RBM（4）-模型表示.flv
/ Y Z% C E- U t4 |% L受限玻尔兹曼机RBM（5）-模型推断.flv
0 j& w Q6 g% a5 o: @8 r受限玻尔兹曼机RBM（6）-模型推断.flv
- A# }0 H! C2 O0 B4 n
8 `5 H& D3 K/ ^
& d9 O1 M: e; ^ a# Z; R$ ?机器学习-白板推导系列（22）-谱聚类
- }5 u( w) ]1 [" O谱聚类（1）-背景介绍.flv- o+ q; |( h, O0 ` u1 t0 b) S
谱聚类（2）-模型介绍.flv9 `0 N9 t m% Y9 W( E
谱聚类（3）-模型的矩阵形式.flv
; j' a5 _! J6 h* C5 V- `谱聚类（4）-模型的矩阵形式.flv1 k* E w& P+ Q% ~
谱聚类（5）-模型的矩阵形式.flv
h# t4 I" y3 ^0 p ]# g! y9 I6 K: }" U; G
6 D* l5 }; I8 B- I
机器学习-白板推导系列（23）-前馈神经网络9 q% ^: Z: f, [( ]; D. m V
& \ }# B9 _. i# ]9 r( z
前馈神经网络（1）-从机器学习到深度学习.flv
5 I! D) X% U0 @( |前馈神经网络（2）-从感知机到深度学习.flv. r) {% g1 ?" K8 a! c9 \
前馈神经网络（3）-非线性问题的三种解决方法.flv: h7 a1 H7 L' l
% R! K0 [0 ?' m' E" l. e. h
6 s; c- o, K$ N, S6 {' s+ y |
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