人工智能之機器學習幫你打通機器學習任督二脈40講2018年6月
180604-開篇詞 _ 打通修煉機器學習的任督二脈
180605-01 _ 頻率視角下的機器學習
180607-02 _ 貝葉斯視角下的機器學習
180609-03 _ 學什么與怎么學:
180612-04 _ 計算學習理論:
180614-05 _ 模型的分類方式
180616-06 _ 模型的設計準則
180619-07 _ 模型的驗證方法
180621-08 _ 模型的評估指標
180623-09 _ 實驗設計
180626-10 _ 特征預處理
180628-11 _ 基礎線性回歸：一元與多元
180630-12 _ 正則化處理：收縮方法與邊際化
180703-13 _ 線性降維：主成分的使用
180705-14 _ 非線性降維：流形學習
180707-15 _ 從回歸到分類：聯系函數與降維
180710-16 _ 建模非正態分布：廣義線性模型
180712-17 _ 幾何角度看分類：支持向量機
180714-18 _ 從全局到局部：核技巧
180717-19 _ 非參數化的局部模型：K近鄰
180719-20 _ 基于距離的學習：聚類與度量學習
180721-21 _ 基函數擴展：屬性的非線性化
180724-22 _ 自適應的基函數：神經網絡;
180726-23 _ 層次化的神經網絡：深度學習
180728-24 _ 深度編解碼：表示學習
180731-25 _ 基于特征的區域劃分：樹模型
180802-26 _ 集成化處理：Boosting與Bagging xa0
180804-27 _ 萬能模型：梯度提升與隨機森林 xa0
180807-總結課 _ 機器學習的模型體系
180809-28 _ 最簡單的概率圖：樸素貝葉斯
180811-29 _ 有向圖模型：貝葉斯網絡+
180814-30 _ 無向圖模型：馬爾可夫隨機場
180816-31 _ 建模連續分布：高斯網絡
180818-32 _ 從有限到無限：高斯過程
180821-33 _ 序列化建模：隱馬爾可夫模型
180823-34 _ 連續序列化模型：線性動態系統
180825-35 _ 精確推斷：變量消除及其拓展
180828-36 _ 確定近似推斷：變分貝葉斯
180830-37 _ 隨機近似推斷：MCMC
180901-38 _ 完備數據下的參數學習：有向圖與無向圖
180904-39 _ 隱變量下的參數學習：EM方法與混合模型
180906-40 _ 結構學習：基于約束與基于評分
180908-總結課 _ 貝葉斯學習的模型體系
180911-結課 _ 終有一天，你將為今天的付出驕傲
