机器学习基础入门

第一章 机器学习入门

课件1 模型过拟合问题 08:31观看

课件2 正则化方法简介 06:38观看

课件3 正则化方法的常见应用 04:31观看

课件4 深度学习中的正则化方法 02:39

课件5 概率论基础快速回顾 05:43

课件6 条件概率与分类 07:47

课件7 判别式函数 08:22

课件8 极大似然估计快速回顾 02:32

课件9 多元数据的数字特征 06:58

课件10 多元正态分布 02:24

课件11 多元分类 06:43

课件12 判别式模型与生成模型的区别 06:56

课件13 线性判别式 05:25

课件14 逻辑斯蒂判别式 16:05

课件15 从二分类到多分类（softmax） 07:07

课件16 编程实现（Python） 03:44

课件17 课程总结 09:43

课件18 决策树总体概览 07:44

课件19 信息论-信息熵 06:49

课件20 信息论-交叉熵与KL散度 08:15

课件21 属性选择的依据 11:03

课件22 剪枝操作 06:18

课件23 决策树的拓展 05:02

课件24 编程实现（Python） 07:28

课件25 一元线性回归 09:08

课件26 均方误差 06:58

课件27 多元线性回归 05:49

课件28 广义线性模型 02:38

课件29 偏倚方差两难选择 13:05

课件30 编程实现（Python） 04:36

课件31 极大似然估计 12:54

课件32 问题引入 12:49

课件33 E步与M步 03:13

课件34 EM算法与Kmeans的关系 12:20

课件35 混合模型 03:32

课件36 度量距离的几种方法 08:07

课件37 评价聚类效果的几种方法 08:50

课件38 Kmeans算法 08:23

课件39 编程实现（Python） 06:55

课件40 实际应用（图像压缩） 07:05

课件41 机器学习基本概念 14:46

课件42 监督学习简介 05:35

课件43 非监督学习简介 02:34

课件44 常见算法简介 11:23

第二章 机器学习模型

课件45 聚类问题介绍 02:22观看

课件46 Kmeans聚类 12:19观看

课件47 层次聚类 05:55观看

课件48 密度聚类 10:09

课件49 本章小结 02:08

课件50 降维问题介绍 04:32

课件51 奇异值分解（SVD） 12:42

课件52 主成分分析（PCA） 12:54

课件53 线性判别分析（LDA） 11:00

课件54 本章小结 03:15

课件55 回归问题评估指标 01:32

课件56 分类问题评估指标 11:11

课件57 本章小结 02:31

课件58 经验风险与结构风险 04:06

课件59 过拟合与正则化 12:25

课件60 模型选择 04:01

课件61 本章小结 02:23

课件62 回归问题介绍 11:04

课件63 线性回归模型 12:05

课件64 本章小结 03:20

课件65 分类问题介绍 04:44

课件66 K近邻模型（KNN） 15:26

课件67 朴素贝叶斯模型 11:44

课件68 逻辑斯特回归模型（LR） 10:13

课件69 感知机模型 09:42

课件70 支持向量机模型（SVM）-上 11:22

课件71 支持向量机模型（SVM）-下 12:02

课件72 本章小结 03:34

课件73 分类回归树模型（CART） 16:10

课件74 随机森林模型（RF） 09:56

课件75 Adboost模型 11:59

课件76 提升树模型 14:01

课件77 本章小结 02:46