|
|
课程目录：3 o. L$ n4 W a, C, [8 K1 T
机器学习-白板推导系列（01）-开篇
) k% H6 f9 m8 F9 q5 k开篇（1）-频率派VS贝叶斯派.flv; `3 M% k3 E2 s+ w
开篇（2）-学习资料介绍.flv- L# U. b) Q0 g" G9 J$ o
/ p1 N+ K1 R; W8 G, w* k8 f: `/ D0 {" x! C! Y/ v
机器学习-白板推导系列（02）-数学基础
6 N8 H/ @* y! _& _" D$ w9 o数学基础（1）-高斯分布-极大似然估计.flv
& W1 ^( u0 I! h( f) m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# A# w8 N: W0 P3 w: [8 f6 r
数学基础（3）-高斯分布-从概率密度函数角度观察.flv
, E* q f4 S+ ?! v- d+ X数学基础（4）-高斯分布-局限性.flv& D! T! j% R' _/ a
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
' m% k# p& M( S+ b4 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
9 `7 R- B' c8 ]5 x l数学基础（7）-不等式-杰森不等式.flv9 q( T6 d2 }0 A7 x
; D" o+ B+ O: }( _
3 P) o) V0 u" |. `% s8 s: ?
机器学习-白板推导系列（03）-线性回归3 w( R* M ^* @9 f4 ?7 T2 a
线性回归1（最小二乘法及其几何意义）).flv* x# G& e7 M1 U' d+ I4 Z$ S
线性回归2（最小二乘法-概率视角-高斯噪声-MLE）).flv
: z% S# n! ~5 o' q- Y7 a( {线性回归3（正则化-岭回归）).flv4 t5 @7 Z' [1 t( S3 L0 C
线性回归4（正则化-岭回归-概率角度-高斯噪声高斯先验-MAP）.flv9 o. v$ G- m( A, h
4 w* K6 n$ p* D' h: s& M! \4 B: p+ T7 n! a) l$ K: a a0 }- g0 y7 T% U; ]
机器学习-白板推导系列（04）-线性分类
* i9 w( _1 s2 m+ p- O线性分类1-背景.flv
( D# s8 U$ b# f! Q9 s8 E线性分类2-感知机（Perceptron).flv
8 [! z( Y; ]2 ?2 a6 Y" ]0 G线性分类3-线性判别分析（Fisher判别分析）-模型.flv$ ?% X8 L6 ]4 [1 b0 f- n
线性分类4-线性判别分析（Fisher判别分析）-模型.flv" z1 J$ f3 Y* S/ f7 e4 T
线性分类5-逻辑回归.flv
/ r* F" A$ f8 b. b, z线性分类6-高斯判别分析.flv
9 f u2 @/ F/ L/ u- c" h* _线性分类7-高斯判别分析.flv2 G) i- ~, |6 d3 c
线性分类8-高斯判别分析.flv
" m! w2 X: A( L$ d1 C线性分类9-朴素贝叶斯分类器.flv: y1 G# b; ^- c2 B" \) Q1 N+ s
6 m- _3 i2 E5 V! g$ k; o+ ^9 j6 F) G5 }, }8 T% i3 ?
机器学习-白板推导系列（05）-降维
* W5 }$ a% [7 s% B$ b降维1-背景介绍.flv
, {1 F: h/ Y/ k1 L降维2-样本均值&样本方差的矩阵表示.flv; @8 U4 s% w/ \6 w! \* l
降维3-主成分分析（PCA）-最大投影方差角度.flv# B5 Z/ R! N% j7 h9 K9 y
降维4-主成分分析（PCA）-最小重构代价角度.flv
; z. g6 I) L) ]降维5-主成分分析（PCA）-SVD角度.flv4 `* c4 f7 h- X& J3 }
降维6-主成分分析（PCA）-概率角度.flv5 O I7 s5 X' j
/ f; f6 { C) Q$ O+ v Q
8 H! C9 y+ E: G机器学习-白板推导系列（06）-支持向量机SVM& ?& N$ f7 S$ U( ^
支持向量机1-硬间隔SVM-模型定义.flv4 K- d1 e1 W9 p S% f+ X
支持向量机2-硬间隔SVM-模型求解.flv
1 v' D# y7 I8 G支持向量机3-硬间隔SVM-模型求解.flv6 f }) Q# q, _" Y
支持向量机4-软间隔SVM-模型定义.flv- E0 r. S; V0 W) e; p, }) b
支持向量机5-约束优化问题-弱对偶性证明.flv" h5 f. R5 \% n
支持向量机6-约束优化问题-对偶关系的几何解.flv
. f5 f; y+ Q8 T* R5 r支持向量机7-约束优化问题-对偶关系之sla.flv2 `8 G, W6 l/ c1 @: g$ W$ ?3 r
支持向量机8-约束优化问题-对偶关系之KKT.flv
; j6 O& P7 u0 I5 u4 }1 \支持向量机9-备份.flv
6 E* {3 M( \! {" m1 U) |
$ B+ i/ B# o% q: b# w4 @, B( q; s+ B( {6 N; O
机器学习-白板推导系列（07）-核方法. V/ K1 `$ [& @3 w& Q [
核方法（1）-背景介绍.flv
# a, C1 A8 {! B' E! a核方法（2）-正定核的两个定义.flv
) ^ W1 C/ y0 C, F( i. L- {+ l核方法（3）-正定核充要条件-必要性证明.flv
3 E0 j* b) d3 P. T0 i, @% Y0 g/ Q核方法（4）-备份.flv
3 G5 G5 z7 ^& i0 L/ P- w
3 a$ P/ K- _6 V" B1 u6 G" |0 P+ A+ K; J4 _. X+ A/ e
机器学习-白板推导系列（08）-指数族分布1 P2 `' e5 O5 j; O2 j% J
指数族分布1-背景.flv0 F Z6 ]1 j2 J. X9 v8 k
指数族分布2-背景.flv
, k+ m% z* i& y' w2 t指数族分布3-高斯分布的指数族形式.flv
! @5 s( T/ b6 c+ [: b2 c- `4 D指数族分布4-对数配分函数与充分统.flv: O" w+ y& j* Q. N$ i7 }( b
指数族分布5-极大似然估计与充分统.flv1 y, C- M) j+ t5 x- v
指数族分布6-最大熵角度.flv# L6 p# k: H' I9 y4 i
指数族分布7-最大熵角度.flv0 Q& Y" n1 B3 Q) o& T/ M) M
( a8 \/ E4 [- z: c- x
" n8 t% m# D1 g0 Z9 h
机器学习-白板推导系列（09）-概率图模型基础
1 e9 P& H3 J0 F# Y; p* t概率图模型1-背景介绍.flv
; N, m5 f$ @. N/ V& B L概率图模型2-贝叶斯网络-Representation-条件独立性.flv
9 F- G+ s: H; c3 E3 K5 W0 G* j概率图模型3（补充解释）-贝叶斯网络-Representation-条件独立性).flv3 y4 S% x0 O* l y
概率图模型4-贝叶斯网络.flv
6 e5 `3 R5 t; M' U2 x概率图模型5-贝叶斯网络.flv
" c, R9 m, E" Q0 l& B概率图模型6-马尔可夫随机场.flv) r7 |& Y' x# G2 e/ C
概率图模型7-马尔可夫随机场.flv2 }, b' N3 `5 i" ]
概率图模型8-推断Inference.flv* {) O' w" G: j; ?
概率图模型9-推断.flv
6 s! d! `8 [0 F. a9 }概率图模型10-推断.flv/ D2 D! H8 `. j# u" ?8 c* s
概率图模型11-推断.flv1 e M4 F/ W3 ~) N
概率图模型12-推断.flv# s3 t6 v# o* S4 k/ S: Y% t
概率图模型13-推断.flv
' W L" G2 f1 _5 q' g* h概率图模型14-概念补充-道德图.flv: i# w- P5 [# i2 z; ]# R% ]: k+ X( k+ ~
概率图模型15-概念补充-因子图.flv0 [- u/ L; y% A6 W. @
, G" x3 r: j( z+ j
9 S3 t1 M1 G* i) \3 G$ g机器学习-白板推导系列（10）-EM算法
' @; |$ L3 R5 N: |, \+ mEM算法（1）-EM算法公式以及算法收敛性证明.flv
+ z$ k7 z$ |; dEM算法（2）-EM算法公式导出之ELBO-KL Diver.flv1 j" A! ^9 [. K1 w; y! e! P% o" v
EM算法（3）-EM算法公式导出之ELBO-Jensen I.flv- ~4 O4 w( R# W
EM算法（4）-EM算法再回首.flv
$ _8 e1 k; j" W8 ]2 F1 T' t4 `EM算法（5）-广义EM.flv& Q& V3 S9 ~- G) \9 s
EM算法（6）-EM变种.flv) k7 Y x: ?& s- p0 U, l+ c5 d
1 ^' _8 H) D' @( p& }$ p3 L2 ?. g% ~2 A. G& l. ~. u
机器学习-白板推导系列（11）-高斯混合模型GMM
5 \( G. P. p' k) t L/ z3 d U高斯混合模型（1）-模型介绍.flv" L$ A0 ^: Q1 s% d/ Z
高斯混合模型（2）-极大似然.flv
9 j% U/ H, P8 l( D2 [高斯混合模型（3）-EM求解-E-Ste.flv+ x: w2 o8 P1 J
高斯混合模型（4）-EM求解-M-Ste.flv
; q- k' r5 Z6 P0 U1 v, L/ M% B4 P4 E$ z( x0 x
7 u# l7 m2 ]# G8 e4 n机器学习-白板推导系列（12）-变分推断& C6 O- s3 J4 _9 ^) D
变分推断1（背景介绍）.flv
( \0 D, @, Y8 G/ x! V* L变分推断2（公式推导).flv
2 b: B, d: t+ f4 p0 Y1 E+ I+ Y9 A" d变分推断3（再回首).flv
. \6 f" m( Z4 c9 x6 {0 `变分推断4（随机梯度变分推断-SGVI-1).flv& ?/ m8 t H6 p
变分推断5（随机梯度变分推断-SGVI-2).flv- p9 {1 G( i6 u. \ d6 L
1 Z# c" j" O W4 H
a3 j+ |+ B B7 Y机器学习-白板推导系列（13）-MCMC& v8 \! s1 M% K+ |" M
蒙特卡洛方法1.flv
8 B& w. h8 J* A; `9 p蒙特卡洛方法2.flv" ]7 i" U# J) f, b! [
蒙特卡洛方法3.flv
" O# n% f7 H: j( z" |7 `9 J% q7 u4 r/ U) `蒙特卡洛方法4.flv
3 B G. f7 |, F. @蒙特卡洛方法5-吉布斯采样.flv+ Y7 H9 X0 o- M) E/ b# O% ?
蒙特卡洛方法6.flv
- d* Y* k% o( e+ A4 b6 { g蒙特卡洛方法7.flv
& n& Z& Y$ G L( A; R蒙特卡洛方法8.flv
! G/ a1 i: \& H+ k8 i
9 P3 k: {3 B8 _
5 \; e5 ~# n+ C( ~4 @/ |机器学习-白板推导系列（14）-隐马尔可夫模型0 n2 d/ ^$ \3 ~: g: \
隐马尔可夫模型HMM（1）-背景介绍.flv
- K% \ N0 q1 Q6 T隐马尔可夫模型HMM（2）-背景介绍.flv/ G7 w2 K( N: t5 @% H
隐马尔可夫模型HMM（3）-前向算法.flv$ G2 D0 g+ r; i3 [
隐马尔可夫模型HMM（4）-后向算法.flv& L3 [& X$ Y) N0 ~2 P% l. a
隐马尔可夫模型HMM（5）-Baum Welch算法.flv/ x# c o9 a4 ~; j) M5 b! e7 p
隐马尔可夫模型HMM（6）-维特比算法.flv
% Z7 j/ p; N3 V1 d4 i隐马尔可夫模型HMM（7）-小结.flv
?4 I: |) Q( h4 b8 |$ X5 j隐马尔可夫模型HMM（8）-小结.flv
) q2 W1 p7 ~: ~. x& ?5 _( |
0 M: T. S V* @' F7 `, j( m4 s1 S
& y( O4 z1 S0 c4 p* J6 t机器学习-白板推导系列（15）-线性动态系统-卡曼滤波4 |- E" k, b# ]# ]+ ~. A
线性动态系统1-KalmanFilter.flv% N) a3 c1 ~6 q1 t1 s4 n
线性动态系统2-Filtering问题.flv- R3 Q: V& i% D3 O# ]3 D. N
线性动态系统3-Filtering问题求解.flv
% ~. g u6 n( Y7 G$ D" N9 _
3 ^$ f9 U2 B, h+ d' [
2 `' b1 C# h8 [$ `. g+ u, F! b- a机器学习-白板推导系列（16）-粒子滤波
+ a2 A2 e* w& q$ g粒子滤波1-背景介绍.flv& e: D$ f% H3 `# ]& K3 |
粒子滤波2-重要性采样.flv8 z1 _# _4 ?, ?, C/ l' `" t
粒子滤波3-重采样.flv+ K" I8 Y& b$ ?
粒子滤波4-SIR Filter.flv5 |4 h+ `# Y1 X" p" J1 S) |* Y
% I( j! l) q' A2 J- B3 @
5 u- P# Z# \! P, I6 i+ y机器学习-白板推导系列（17）-条件随机场CRF2 ?6 u/ y. [8 O! _1 `
条件随机场（1）-背景介绍.flv3 o) g0 L8 v% H, T. f7 Q- q) P
条件随机场（2）-HMM VS MEM.flv) ?9 { |- I* M/ `
条件随机场（3）-MEMM VS CR.flv' w8 S1 L9 b7 f% v
条件随机场（4）-CRF模型-概率密度.flv' T- D5 E0 |; j- }3 t `2 @
条件随机场（5）-CRF模型-概率密度.flv( h0 y$ j% d# S5 R5 u8 P8 n; t
条件随机场（6）-CRF模型-要解决的.flv
- E4 H7 {7 z) u条件随机场（7）-CRF模型-Infe.flv
4 K2 k! Z; m7 w1 Q条件随机场（8）-CRF模型-Lear.flv
+ x1 g: j0 D# }* x
9 v H% B: @# e @) z
4 ^* P& t7 a% \, b4 Q( V, J0 M机器学习-白板推导系列（18）-高斯网络
+ I. l ` {! m# C2 Q; C高斯网络（1）-总体介绍.flv+ p# L/ D* ?, U: `# X$ _
高斯网络（2）-高斯贝叶斯网络.flv
F) H; _1 R8 m3 G X高斯网络（3）-高斯马尔科夫随机场.flv/ d" }& m8 F5 a3 w
- g) j) G: M! k6 f" p8 w
5 @& n; u5 ]9 K9 m: y" r" M5 A6 b
机器学习-白板推导系列（19）-贝叶斯线性回归
+ f) L2 G% M. V: X; n( E贝叶斯线性回归（1）-背景介绍.flv
* B- H8 B/ F( Q1 O5 ^8 B贝叶斯线性回归（2）-推导介绍.flv
, A0 J8 U/ |; ]6 F: w7 {) |* \贝叶斯线性回归（3）-推导介绍.flv
( b" B! c0 P3 S9 d贝叶斯线性回归（4）-推导预测.flv; l2 @0 v1 V1 T- ^
贝叶斯线性回归（5）-小结.flv# K& I6 U, @) ~5 A. y" q
1 s& u$ a2 ]' `
4 h/ ?$ K( ^6 M- k% q t m机器学习-白板推导系列（20）-高斯过程GP B$ ?9 E6 j$ g# D0 n
高斯过程GP（1）-简单介绍.flv/ r( ^9 q6 g- z) w3 s, r
高斯过程GP（2）-权重空间角度.flv
; J- ?; w* y8 X9 d, u" f" u高斯过程GP（3）-权重空间到函数空间.flv
/ n* [, a! X9 h/ h; d/ I高斯过程GP（4）-函数空间的角度.flv
: y- ^( k- f! ~* T# \
% ~# W% I5 l/ P8 y& ~
; R/ s+ J! s! P! B机器学习-白板推导系列（21）-受限玻尔兹曼机RBM
6 X8 b' Y, `* I. b& o2 R7 u& L受限玻尔兹曼机RBM（1）-背景介绍.flv
8 W5 L+ o- _4 h$ p受限玻尔兹曼机RBM（2）-背景介绍.flv- m2 g# M0 @6 o; e4 y: J# S
受限玻尔兹曼机RBM（4）-模型表示.flv% Q7 g4 { |/ ]$ u
受限玻尔兹曼机RBM（5）-模型推断.flv
5 m8 {: k$ l/ l( y+ L受限玻尔兹曼机RBM（6）-模型推断.flv; i3 P3 a8 ~2 p2 _
) r8 D% C2 M$ \# k4 a
1 [$ ~; D% V9 f- j机器学习-白板推导系列（22）-谱聚类' R; o" f8 G1 e/ \) H. ^
谱聚类（1）-背景介绍.flv
# @" n5 Y2 }3 Q# m/ K2 T谱聚类（2）-模型介绍.flv1 f! q$ \( m: H
谱聚类（3）-模型的矩阵形式.flv
) m& Q& @2 H) p( }8 v5 W" P- u谱聚类（4）-模型的矩阵形式.flv8 l4 @. Y) d; v/ d# ~8 b
谱聚类（5）-模型的矩阵形式.flv
' Z) H% z* Q$ Y8 i) n2 ]! P; P W5 H9 q: V
8 o! F4 z9 T7 x3 n8 Y, d) B
机器学习-白板推导系列（23）-前馈神经网络
; b& u( ?. V) @8 l* w
1 c4 o# O1 E2 x# v- u; V+ s* X前馈神经网络（1）-从机器学习到深度学习.flv
6 U* P# W% x2 q# k- r+ ?1 e) t前馈神经网络（2）-从感知机到深度学习.flv
+ x- u8 G! z7 K前馈神经网络（3）-非线性问题的三种解决方法.flv; e, O8 X: w' k$ C: d Z! I
) G4 @* T1 E- Q1 t# x6 |$ B1 A7 Q0 U% t7 m6 j8 h6 k2 j6 c0 E3 K1 t
|
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