机器学习40讲
00-开篇词-打通修炼机器学习的任督二脉.html
01-01-频率视角下的机器学习.html
02-02-贝叶斯视角下的机器学习.html
03-03-学什么与怎么学.html
04-04-计算学习理论.html
05-05-模型的分类方式.html
06-06-模型的设计准则.html
07-07-模型的验证方法.html
08-08-模型的评估指标.html
09-09-实验设计.html
10-10-特征预处理.html
11-11-基础线性回归：一元与多元.html
12-12-正则化处理：收缩方法与边际化.html
13-13-线性降维：主成分的使用.html
14-14-非线性降维：流形学习.html
15-15-从回归到分类：联系函数与降维.html
16-16-建模非正态分布：广义线性模型.html
17-17-几何角度看分类：支持向量机.html
18-18-从全局到局部：核技巧.html
19-19-非参数化的局部模型：K近邻.html
20-20-基于距离的学习：聚类与度量学习.html
21-21-基函数扩展：属性的非线性化.html
22-22-自适应的基函数：神经网络.html
23-23-层次化的神经网络：深度学习.html
24-24-深度编解码：表示学习.html
25-25-基于特征的区域划分：树模型.html
26-26-集成化处理：Boosting与Bagging.html
27-27-万能模型：梯度提升与随机森林.html
28-总结课-机器学习的模型体系.html
29-28-最简单的概率图：朴素贝叶斯.html
30-29-有向图模型：贝叶斯网络.html
31-30-无向图模型：马尔可夫随机场.html
32-31-建模连续分布：高斯网络.html
33-32-从有限到无限：高斯过程.html
34-33-序列化建模：隐马尔可夫模型.html
35-34-连续序列化模型：线性动态系统.html
36-35-精确推断：变量消除及其拓展.html
37-36-确定近似推断：变分贝叶斯.html
38-37-随机近似推断：MCMC.html
39-38-完备数据下的参数学习：有向图与无向图.html
40-39-隐变量下的参数学习：EM方法与混合模型.html
41-40-结构学习：基于约束与基于评分.html
42-总结课-贝叶斯学习的模型体系.html
43-结课-终有一天，你将为今天的付出骄傲.html
44-如何成为机器学习工程师？.html
45-结课测试-这些机器学习知识你都掌握了吗？.html