学堂在线 清华大学 大数据机器学习培训

第06章 贝叶斯分类器及图模型

5.半朴素贝叶斯分类器.mp4

3.贝叶斯网络.mp4

4.朴素贝叶斯分类器.mp4

7.吉布斯采样.mp4

6.贝叶斯网络结构学习推断.mp4

2.概率图模型.mp4

1.综述.mp4

第12章 提升方法

3. Adaboost算法的解释.mp4

2. Adaboost算法的训练误差分析.mp4

4. Adaboost的实现.mp4

1. 提升方法Adaboost算法.mp4

第09章 SVM

1.开头.mp4

6.线性支持向量机.mp4

4. 凸优化问题的基本概念.mp4

5.支持向量的确切定义.mp4

2.SVM简介.mp4

3.线性可分支持向量机.mp4

第05章 聚类

3.4原型聚类 层次聚类.mp4

1.原型聚类描述.mp4

3.1原型聚类 k均值算法.mp4

2.性能度量.mp4

3.3 原型聚类 密度聚类.mp4

3.2 原型聚类 学习向量算法.mp4

第20章 深度学习优化方法

2.神经网络优化的挑战.mp4

1.深度学习的优化问题.mp4

3.神经网络的优化算法.mp4

4.相关策略.mp4

第15章 隐马尔可夫模型

2. 概率计算算法.mp4

4预测算法.mp4

3. 学习算法.mp4

开头(5).mp4

1. 隐马尔科夫模型的基本概念.mp4

第13章 EM算法及混合高斯模型

2. EM算法的引入.mp4

开头(3).mp4

5. EM算法的推广.mp4

4. EM算法在高斯混合模型学习中的应用.mp4

3. EM算法的收敛性.mp4

1. 问题提出.mp4

00讲义

第09章_SVM.pdf

第14讲_计算学习理论.pdf

第13讲_EM算法及混合高斯模型.pdf

第01章_概述.pdf

第11讲_降维与度量学习.pdf

第03章_模型性能评估.pdf

第15讲_隐马尔可夫模型.pdf

第12讲_提升方法.pdf

第08章__逻辑斯谛回归与最大熵模型.pdf

第20讲__深度学习优化方法.pdf

第06章_贝叶斯分类器及图模型.pdf

第05章_聚类.pdf

第07章_决策树和随机森林.pdf

第17讲__概率图模型的学习与推断.pdf

第04章_感知机.pdf

第18讲__神经网络和深度学习.pdf

第16讲_条件随机场.pdf

第10章_核方法与非线性SVM.pdf

第02章_机器学习基本概念.pdf

第19讲__深度学习正则化方法.pdf

第10章 核方法与非线性SVM

2. 核函数和非线性支持向量机.mp4

1.泛函基础知识.mp4

开头.mp4

3. 序列最小最优化算法.mp4

第08章 逻辑斯谛回归与最大熵模型

1.逻辑斯谛回归模型.mp4

3.模型学习的最优化方法.mp4

2.最大熵模型.mp4

第14章 计算学习理论

5. 学习稳定性.mp4

开头(4).mp4

2. 概率近似正确学习理论.mp4

4. VC维.mp4

3. 有限假设空间.mp4

1. 计算学习理论的基础知识.mp4

第03章 模型性能评估

6.ROC和AUC曲线.mp4

5.PR曲线.mp4

10.偏差和方差.mp4

2.交叉验证法.mp4

8.假设检验.mp4

4.性能度量.mp4

1.留出法.mp4

9.T检验.mp4

7.代价敏感错误率.mp4

3.自助法.mp4

第04章 感知机

2.感知机学习策略.mp4

3.感知机学习算法.mp4

1.感知机模型.mp4

第02章 机器学习基本概念

1机器学习的基本术语.mp4

10.生成模型和判别模型.mp4

3.假设空间.mp4

6.没有免费的午餐定理.mp4

9.泛化能力.mp4

5.奥卡姆剃刀定理.mp4

2.监督学习.mp4

4.学习方法三要素.mp4

8.过拟合与模型选择.mp4

7.训练误差和测试误差.mp4

第01章 概述

6.机器学习的发展历程.mp4

3.深度学习方法和其它人工智能方法的共性和差异.mp4

1.机器学习定义和典型应用.mp4

2.机器学习和人工智能的关系.mp4

7.大数据机器学习的主要特点.mp4

4.机器学习和数据挖掘的关系.mp4

5.机器学习和统计学习的关系.mp4

第07章 决策树和随机森林

6.随机森林.mp4

2.信息量和熵.mp4

5.CART算法.mp4

4.决策树的减枝.mp4

开头.mp4

3.决策树的生成.mp4

1.决策树模型与学习基本概念.mp4

第18章 神经网络和深度学习

5.深度学习.mp4

4.玻尔兹曼机.mp4

3.神经网络的基本概念以及常见的神经网络(二）.mp4

1.神经网络的发展历程.mp4

2.神经网络的基本概念以及常见的神经网络(一）.mp4

第11章 降维与度量学习

5. 流型学习和度量学习.mp4

4. 核化线性降维.mp4

开头(2).mp4

3. 主成分分析.mp4

2. 降维嵌入.mp4

1. k近邻学习.mp4

第16章 条件随机场

3.条件随机场的计算问题.mp4

1.概率无向图模型.mp4

开头.mp4

2.条件随机场的定义与形式.mp4

4.条件随机场的学习算法.mp4

5.条件随机场的预测算法.mp4

第19章 深度学习正则化方法

2. 计算图形式的反向传播算法.mp4

1. 深度学习简介和架构设计.mp4

3.深度学习的正则化方法（一）.mp4

4.深度学习的正则化方法（二）.mp4

第17章 概率图模型的学习与推断

1.精确推断法：变量消去法和信念传播法.mp4

2.近似推断法：MCMC和变分推断.mp4

开头.mp4