清华讲师大数据机器学习2020年

pytest · 发表于 2022-1-19 12:15:00

├─第01章概述
│    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
│    3.深度学习方法和其它人工智能方法的共性和差异.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
│    6.机器学习的发展历程.mp4
│    7.大数据机器学习的主要特点.mp4
│
├─第02章机器学习基本概念
│    1机器学习的基本术语.mp4
│    2.监督学习.mp4
│    3.假设空间.mp4
│    4.学习方法三要素.mp4
│    5.奥卡姆剃刀定理.mp4
│    6.没有免费的午餐定理.mp4
│    7.训练误差和测试误差.mp4
│    8.过拟合与模型选择.mp4
│    9.泛化能力.mp4
│    10.生成模型和判别模型.mp4
│
├─第03章模型性能评估
│    1.留出法.mp4
│    2.交叉验证法.mp4
│    3.自助法.mp4
│    4.性能度量.mp4
│    5.PR曲线.mp4
│    6.ROC和AUC曲线.mp4
│    7.代价敏感错误率.mp4
│    8.假设检验.mp4
│    9.T检验.mp4
│    10.偏差和方差.mp4
│
├─第04章感知机
│    1.感知机模型.mp4
│    2.感知机学习策略.mp4
│    3.感知机学习算法.mp4
│
├─第05章聚类
│    1.原型聚类描述.mp4
│    2.性能度量.mp4
│    3.1原型聚类 k均值算法.mp4
│    3.2 原型聚类学习向量算法.mp4
│    3.3 原型聚类密度聚类.mp4
│    3.4原型聚类层次聚类.mp4
│
├─第06章贝叶斯分类器及图模型
│    1.综述.mp4
│    2.概率图模型.mp4
│    3.贝叶斯网络.mp4
│    4.朴素贝叶斯分类器.mp4
│    5.半朴素贝叶斯分类器.mp4
│    6.贝叶斯网络结构学习推断.mp4
│    7.吉布斯采样.mp4
│
├─第07章决策树和随机森林
│    开头.mp4
│    1.决策树模型与学习基本概念.mp4
│    2.信息量和熵.mp4
│    3.决策树的生成.mp4
│    4.决策树的减枝.mp4
│    5.CART算法.mp4
│    6.随机森林.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
│    2.最大熵模型.mp4
│    3.模型学习的最优化方法.mp4
│
├─第09章 SVM
│    1.开头.mp4
│    2.SVM简介.mp4
│    3.线性可分支持向量机.mp4
│    4. 凸优化问题的基本概念.mp4
│    5.支持向量的确切定义.mp4
│    6.线性支持向量机.mp4
│
├─第10章核方法与非线性SVM
│    开头.mp4
│    1.泛函基础知识.mp4
│    2. 核函数和非线性支持向量机.mp4
│    3. 序列最小最优化算法.mp4
│
├─第11章降维与度量学习
│    开头(2).mp4
│    1. k近邻学习.mp4
│    2. 降维嵌入.mp4
│    3. 主成分分析.mp4
│    4. 核化线性降维.mp4
│    5. 流型学习和度量学习.mp4
│
├─第12章提升方法
│    1. 提升方法Adaboost算法.mp4
│    2. Adaboost算法的训练误差分析.mp4
│    3. Adaboost算法的解释.mp4
│    4. Adaboost的实现.mp4
│
├─第13章 EM算法及混合高斯模型
│    开头(3).mp4
│    1. 问题提出.mp4
│    2. EM算法的引入.mp4
│    3. EM算法的收敛性.mp4
│    4. EM算法在高斯混合模型学习中的应用.mp4
│    5. EM算法的推广.mp4
│
├─第14章计算学习理论
│    开头(4).mp4
│    1. 计算学习理论的基础知识.mp4
│    2. 概率近似正确学习理论.mp4
│    3. 有限假设空间.mp4
│    4. VC维.mp4
│    5. 学习稳定性.mp4
│
├─第15章隐马尔可夫模型
│    开头(5).mp4
│    1. 隐马尔科夫模型的基本概念.mp4
│    2. 概率计算算法.mp4
│    3. 学习算法.mp4
│    4预测算法.mp4
│
├─第16章条件随机场
│    开头.mp4
│    1.概率无向图模型.mp4
│    2.条件随机场的定义与形式.mp4
│    3.条件随机场的计算问题.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17章概率图模型的学习与推断
│    开头.mp4
│    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
│
├─第18章神经网络和深度学习
│    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
│    3.神经网络的基本概念以及常见的神经网络(二）.mp4
│    4.玻尔兹曼机.mp4
│    5.深度学习.mp4
│
├─第19章深度学习正则化方法
│    1. 深度学习简介和架构设计.mp4
│    2. 计算图形式的反向传播算法.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20章深度学习优化方法
│    1.深度学习的优化问题.mp4
│    2.神经网络优化的挑战.mp4
│    3.神经网络的优化算法.mp4
│    4.相关策略.mp4
│
└─00讲义
   第01章_概述.pdf
   第02章_机器学习基本概念.pdf
   第03章_模型性能评估.pdf
   第04章_感知机.pdf
   第05章_聚类.pdf
   第06章_贝叶斯分类器及图模型.pdf
   第07章_决策树和随机森林.pdf
   第08章__逻辑斯谛回归与最大熵模型.pdf
   第09章_SVM.pdf
   第10章_核方法与非线性SVM.pdf
   第11讲_降维与度量学习.pdf
   第12讲_提升方法.pdf
   第13讲_EM算法及混合高斯模型.pdf
   第14讲_计算学习理论.pdf
   第15讲_隐马尔可夫模型.pdf
   第16讲_条件随机场.pdf
   第17讲__概率图模型的学习与推断.pdf
   第18讲__神经网络和深度学习.pdf
   第19讲__深度学习正则化方法.pdf
   第20讲__深度学习优化方法.pdf

下载地址:自学it吧

游客，如果您要查看本帖隐藏内容请回复