打通机器学习任督二脉40讲2018年6月

人工智能之机器学习帮你打通机器学习任督二脉40讲2018年6月
180604-开篇词 _ 打通修炼机器学习的任督二脉
180605-01 _ 频率视角下的机器学习
180607-02 _ 贝叶斯视角下的机器学习
180609-03 _ 学什么与怎么学:
180612-04 _ 计算学习理论:
180614-05 _ 模型的分类方式
180616-06 _ 模型的设计准则
180619-07 _ 模型的验证方法
180621-08 _ 模型的评估指标
180623-09 _ 实验设计
180626-10 _ 特征预处理
180628-11 _ 基础线性回归：一元与多元
180630-12 _ 正则化处理：收缩方法与边际化
180703-13 _ 线性降维：主成分的使用
180705-14 _ 非线性降维：流形学习
180707-15 _ 从回归到分类：联系函数与降维
180710-16 _ 建模非正态分布：广义线性模型
180712-17 _ 几何角度看分类：支持向量机
180714-18 _ 从全局到局部：核技巧
180717-19 _ 非参数化的局部模型：K近邻
180719-20 _ 基于距离的学习：聚类与度量学习
180721-21 _ 基函数扩展：属性的非线性化
180724-22 _ 自适应的基函数：神经网络; 
180726-23 _ 层次化的神经网络：深度学习
180728-24 _ 深度编解码：表示学习
180731-25 _ 基于特征的区域划分：树模型
180802-26 _ 集成化处理：Boosting与Bagging xa0
180804-27 _ 万能模型：梯度提升与随机森林 xa0
180807-总结课 _ 机器学习的模型体系
180809-28 _ 最简单的概率图：朴素贝叶斯
180811-29 _ 有向图模型：贝叶斯网络+ 
180814-30 _ 无向图模型：马尔可夫随机场
180816-31 _ 建模连续分布：高斯网络
180818-32 _ 从有限到无限：高斯过程
180821-33 _ 序列化建模：隐马尔可夫模型
180823-34 _ 连续序列化模型：线性动态系统
180825-35 _ 精确推断：变量消除及其拓展 
180828-36 _ 确定近似推断：变分贝叶斯
180830-37 _ 随机近似推断：MCMC
180901-38 _ 完备数据下的参数学习：有向图与无向图
180904-39 _ 隐变量下的参数学习：EM方法与混合模型
180906-40 _ 结构学习：基于约束与基于评分
180908-总结课 _ 贝叶斯学习的模型体系
180911-结课 _ 终有一天，你将为今天的付出骄傲