人工智能基础课程，机器学习教程下载

课程介绍：

那么，怎样入门机器学习？又有哪些学习路径呢？无论机器学习领域充斥着多少花哨的技术，归根结底，都是基本模型与基本方法的结合，而理解这些基本模型和基本方法就是掌握机器学习的要义所在。那么，问题来了，这么多模型到底要怎么学习呢？

        课程目录：

开篇词 _ 打通修炼机器学习的任督二脉.html

01 _ 频率视角下的机器学习.html

02 _ 贝叶斯视角下的机器学习.html

03 _ 学什么与怎么学.html

04 _ 计算学习理论.html

05 _ 模型的分类方式.html

06 _ 模型的设计准则.html

07 _ 模型的验证方法.html

08 _ 模型的评估指标.html

09 _ 实验设计.html

10 _ 特征预处理.html

11 _ 基础线性回归：一元与多元.html

12 _ 正则化处理：收缩方法与边际化.html

13 _ 线性降维：主成分的使用.html

14 _ 非线性降维：流形学习.html

15 _ 从回归到分类：联系函数与降维.html

16 _ 建模非正态分布：广义线性模型.html

17 _ 几何角度看分类：支持向量机.html

18 _ 从全局到局部：核技巧.html

19 _ 非参数化的局部模型：K近邻.html

20 _ 基于距离的学习：聚类与度量学习.html

21 _ 基函数扩展：属性的非线性化.html

22 _ 自适应的基函数：神经网络.html

23 _ 层次化的神经网络：深度学习.html

24 _ 深度编解码：表示学习.html

25 _ 基于特征的区域划分：树模型.html

26 _ 集成化处理：Boosting与Bagging.html

27 _ 万能模型：梯度提升与随机森林.html

总结课 _ 机器学习的模型体系.html

28 _ 最简单的概率图：朴素贝叶斯.html

29 _ 有向图模型：贝叶斯网络.html

30 _ 无向图模型：马尔可夫随机场.html

31 _ 建模连续分布：高斯网络.html

32 _ 从有限到无限：高斯过程.html

33 _ 序列化建模：隐马尔可夫模型.html

34 _ 连续序列化模型：线性动态系统.html

35 _ 精确推断：变量消除及其拓展.html

36 _ 确定近似推断：变分贝叶斯.html

37 _ 随机近似推断：MCMC.html

38 _ 完备数据下的参数学习：有向图与无向图.html

39 _ 隐变量下的参数学习：EM方法与混合模型.html

40 _ 结构学习：基于约束与基于评分.html

总结课 _ 贝叶斯学习的模型体系.html

结课 _ 终有一天，你将为今天的付出骄傲.html

资源下载

此资源下载价格为0.00学分，VIP免费，请先登录

充值比例 1元=1学分
资源失效，请咨询客服
客服QQ 980264305