设为首页 收藏本站
开启辅助访问 切换到窄版 快捷导航
菜单

编辑推荐

机器学习40讲

0
回复
434
查看
[复制链接]

408

主题

408

帖子

4359

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
4359
发表于 2021-1-21 16:27:17 | 显示全部楼层 |阅读模式
机器学习40讲
帮你打通机器学习的任督二脉
售价 : 23金钱

课程介绍

你将获得
  • 机器学习的必备核心理论
  • 30个最流行的机器学习模型
  • 基于Python语言的实例练习
  • 完整的机器学习知识体系





课程介绍
“机器学习40讲”终于和你见面了!
2017年12月,王天一老师在极客时间开设了“人工智能基础课”专栏,带你进入人工智能的大门,介绍了人工智能所需要的基础数学、当前流行的深度学习技术、以及其他可能突破的技术路径等方方面面的内容。
人工智能基础课的第2季聚焦于机器学习。在新技术层出不穷的今日,机器学习依然占据着人工智能的核心地位,也是人工智能中发展最快的分支之一。
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?其实,这里面最关键的,是要梳理出机器学习的主线,把握不同模型之间的内在关联,能够融会贯通、系统地理解机器学习。
在本专栏中,王天一老师会从机器学习中的共性问题讲起,从统计机器学习和概率图模型两个角度,详细解读30个最流行的机器学习模型。除了理论之外,在每个模型的介绍中还会穿插一些基于Python语言的简单实例,帮你加强对于模型的理解。
专栏共3大模块。
机器学习概观。这一模块将从频率学派与贝叶斯学派这两个视角来看机器学习,并讨论超脱于模型和方法之外的一些共性问题,包括模型的分类方式、设计准则、评估指标等。
统计机器学习模型。这一模块将以线性模型为主线,讨论模型的多种扩展和修正,如正则化、线性降维、核方法、基函数变化、随机森林等,探究从简单线性回归到复杂深度网络的发展历程。
概率图模型。这一模块将以高斯分布为起点,将高斯分布应用到从简单到复杂的图模型中,由此认识不同的模型特性与不同的计算技巧,如朴素贝叶斯、高斯混合模型、马尔科夫随机场等。
另:
1:《机器学习40讲》来自某客时间,原价99,由攻城狮整理发布!攻城狮承诺,本站所有课程百分百高清,完整,原画,包含所有的视频+素材+课件+源码,官方同步体验!
2: 本站所有课程MP4格式无密 可以通过网盘在线学习也可下载到本地,方便快捷!
3: 所有课程全部支持试看任何章节,可通过点击右侧官方微信扫码添加要求试看!
4: 官方品质,信誉保证,陆续更新,感谢同学们的信任与支持,保证让同学们意!
5: 所有课程都会包更新,只要官方更新本站延迟2-3天就会更新。
6: 爱好学习,一直提升自己的小伙伴可以【开通VIP】,享受全站免金币无限制畅快学习!
7: 点击下方链接进行试看,在线看默认流畅,调节成原画,最好直接下载到本地是超清!
链接:https://pan.baidu.com/s/1N3QmcFRnmwpdKh2AUFlHkQ
提取码:ickb

目录:
├(1)180604-开篇词 _ 打通修炼机器学习的任督二脉.html
├(2)180605-01 _ 频率视角下的机器学习.html
├(3)180607-02 _ 贝叶斯视角下的机器学习.html
├(4)180609-03 _ 学什么与怎么学.html
├(5)180612-04 _ 计算学习理论.html
├(6)180614-05 _ 模型的分类方式.html
├(7)180616-06 _ 模型的设计准则.html
├(8)180619-07 _ 模型的验证方法.html
├(9)180621-08 _ 模型的评估指标.html
├(10)180623-09 _ 实验设计.html
├(11)180626-10 _ 特征预处理.html
├(12)180628-11 _ 基础线性回归:一元与多元.html
├(13)180630-12 _ 正则化处理:收缩方法与边际化.html
├(14)180703-13 _ 线性降维:主成分的使用.html
├(15)180705-14 _ 非线性降维:流形学习.html
├(16)180707-15 _ 从回归到分类:联系函数与降维.html
├(17)180710-16 _ 建模非正态分布:广义线性模型.html
├(18)180712-17 _ 几何角度看分类:支持向量机.html
├(19)180714-18 _ 从全局到局部:核技巧.html
├(20)180717-19 _ 非参数化的局部模型:K近邻.html
├(21)180719-20 _ 基于距离的学习:聚类与度量学习.html
├(22)180721-21 _ 基函数扩展:属性的非线性化.html
├(23)180724-22 _ 自适应的基函数:神经网络.html
├(24)180726-23 _ 层次化的神经网络:深度学习.html
├(25)180728-24 _ 深度编解码:表示学习.html
├(26)180731-25 _ 基于特征的区域划分:树模型.html
├(27)180802-26 _ 集成化处理:Boosting与Bagging.html
├(28)180804-27 _ 万能模型:梯度提升与随机森林.html
├(29)180807-总结课 _ 机器学习的模型体系.html
├(30)180809-28 _ 最简单的概率图:朴素贝叶斯.html
├(31)180811-29 _ 有向图模型:贝叶斯网络.html
├(32)180814-30 _ 无向图模型:马尔可夫随机场.html
├(33)180816-31 _ 建模连续分布:高斯网络.html
├(34)180818-32 _ 从有限到无限:高斯过程.html
├(35)180821-33 _ 序列化建模:隐马尔可夫模型.html
├(36)180823-34 _ 连续序列化模型:线性动态系统.html
├(37)180825-35 _ 精确推断:变量消除及其拓展.html
├(38)180828-36 _ 确定近似推断:变分贝叶斯.html
├(39)180830-37 _ 随机近似推断:MCMC.html
├(40)180901-38 _ 完备数据下的参数学习:有向图与无向图.html
├(41)180904-39 _ 隐变量下的参数学习:EM方法与混合模型.html
├(42)180906-40 _ 结构学习:基于约束与基于评分.html
├(43)180908-总结课 _ 贝叶斯学习的模型体系.html
├(44)180911-结课 _ 终有一天,你将为今天的付出骄傲.html








本帖子中包含更多资源

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则