2018机器学习40讲

开篇词 | 打通修炼机器学习的任督二脉



01 | 频率视角下的机器学习



02 | 贝叶斯视角下的机器学习



03 | 学什么与怎么学



04 | 计算学习理论



05 | 模型的分类方式



06 | 模型的设计准则



07 | 模型的验证方法



08 | 模型的评估指标



09 | 实验设计



10 | 特征预处理



11 | 基础线性回归：一元与多元



12 | 正则化处理：收缩方法与边际化



13 | 线性降维：主成分的使用



14 | 非线性降维：流形学习



15 | 从回归到分类：联系函数与降维



16 | 建模非正态分布：广义线性模型



17 | 几何角度看分类：支持向量机



18 | 从全局到局部：核技巧



19 | 非参数化的局部模型：K近邻



20 | 基于距离的学习：聚类与度量学习



21 | 基函数扩展：属性的非线性化



22 | 自适应的基函数：神经网络



23 | 层次化的神经网络：深度学习



24 | 深度编解码：表示学习



25 | 基于特征的区域划分：树模型



26 | 集成化处理：Boosting与Bagging



27 | 万能模型：梯度提升与随机森林



总结课 | 机器学习的模型体系



28 | 最简单的概率图：朴素贝叶斯



29 | 有向图模型：贝叶斯网络



30 | 无向图模型：马尔可夫随机场



31 | 建模连续分布：高斯网络



32 | 从有限到无限：高斯过程



33 | 序列化建模：隐马尔可夫模型



34 | 连续序列化模型：线性动态系统



35 | 精确推断：变量消除及其拓展



36 | 确定近似推断：变分贝叶斯



37 | 随机近似推断：MCMC



38 | 完备数据下的参数学习：有向图与无向图



39 | 隐变量下的参数学习：EM方法与混合模型



40 | 结构学习：基于约束与基于评分



总结课 | 贝叶斯学习的模型体系



结课 | 终有一天，你将为今天的付出骄傲