机器学习视频资源合集
【课程内容】bat工业应用
(01)机器学习与相关数学初步
(02)数理统计与参数估计
(03)矩阵分析与应用
(04)凸优化初步
(05)回归分析与工程应用
(06)特征工程
(07)工作流程与模型调优
(08)最大熵模型与EM算法
(09)推荐系统与应用
(10)聚类算法与应用
(11)决策树随机森林和adaboost
(12)SVM
(13)贝叶斯方法
(14)主题模型
(15)贝叶斯推理采样与变分
(16)人工神经网络
(17)卷积神经网络
(18)循环神经网络与LSTM
(19)Caffe&Tensor Flow&MxNet 简介
(20)贝叶斯网络和HMM
(额外补充)词嵌入word embedding
july算法教程
1.管窥算法
2.字符串
3.数组
4.树
5.链表递归栈
6.查找排序
7.图论（上）
8.图论下
9.贪心法和动态规划
10.概率分治和机器学习
国防科技大学蔡宣平模式识别
01.概述
02.特征矢量及特征空间、随机矢量、正态分布特性
03.聚类分析的概念、相似性测度
04.相似性测度（二）
05.类间距离、准则函数
06.聚类算法：简单聚类算法、谱系聚类算法
07.聚类算法：动态聚类算法——C均值聚类算法
08.聚类算法：动态聚类算法——近邻函数算法
09.聚类算法实验
10.判别域界面方程分类的概念、线性判别函数
11.判别函数值的鉴别意义、权空间及解空间、fisher线性判别
12.线性可分条件下判别函数权矢量算法
13.一般情况下的判别函数权矢量算法
14.非线性判别函数
15.最近邻方法
16.感知器算法实验
17.最小误判概率准则
18.正态分布的最小误判概率、最小损失准则判决
19.含拒绝判决的最小损失准则、最小最大损失准则
20.Neyman—Pearson判决、实例
21.概述、矩法估计、最大似然估计
22.贝叶斯估计
23.贝叶斯学习
24.概密的窗函数估计方法
25.有限项正交函数级数逼近法
26.错误率估计
27.小结
28.实验3-4-5 Bayes分类器-kNN分类器-视频动目标检测
29.概述、类别可分性判据（一）
30.类别可分性判据（二）
31.基于可分性判据的特征提取
32.离散KL变换与特征提取
33.离散KL变换在特征提取与选择中的应用
34.特征选择中的直接挑选法
35.综合实验-图像中的字符识别
炼数成金机器学习
第1课 机器学习概论
第2课 线性回归与Logistic。案例：电子商务业绩预测
第3课 岭回归，Lasso，变量选择技术。从一团乱麻中识别有用维度的技巧
第4课 降维技术。案例：业绩综合指标设计
第5课 线性分类器，Knn算法，朴素贝叶斯分类器，文本挖掘，案例：智能判断垃圾短信，通过文本挖掘给用户加标签，评论自动分析，用户流失预警
第6课 决策树，组合提升算法，bagging和adaboost，随机森林。案例：运营商用户分析
第7课 支持向量机，为什么能理解SVM的人凤毛麟角
第8课 人工神经网络，单层感知器，线性神经网络，BP神经网络，基于梯度下降的学习算法，图像压缩和银行用户信用评估
第9课 通用逼近器径向基函数神经网络，在新观点下审视PDA和SVM。Hopfield联想记忆型神经网络。案例：字符识别，人脸识别
第10课 概率神经网络和信念贝叶斯分类器
第11课 聚类，孤立点判别。案例：推荐系统，自动品酒器，作弊识别，社会系统团体识别
交大张志华统计机器学习
01、基本概念
02、随机向量
03、随机向量性质
04、多元高斯分布
05、分布性质
06、条件期望
07、多项式分布
08、多元高斯分布及应用
09、渐进性质
10、核定义
11、正定核性质
12、正定核应用
13、核主元分析
14、主元分析
15、主坐标分析
16、期望最大算法
17、概率PCA
18、最大似然估计方法
19、EM算法收敛性
20、MDS方法
21、MDS中加点方法
22、矩阵次导数
23、T矩阵范数
24、次导数
25、spectral clustering
26、K-means algorithm
27、Matrix Completion
28、Fisher判别分析
29、谱聚类
30、Computational Methods
31、Fisher Discriminant Analysis
32、Kernel FDA
33、Linear classification
34、Naive Bayes方法
35、Support Vector Machines
36、SUM
37、Boosting
南大周志华普适机器学习PPT
台大叶柄成概率
【下载地址】
**** Hidden Message *****
感谢分享，赶上一波热潮。 不管你信不信，反正我是信了。支持吾爱编程网！ 啥也不说了，楼主就是给力！支持吾爱编程网！
页:
[1]