当前位置:首页 > 全部课程 > 算法模型 > 机器学习 > 《机器学习-白板推导系列
机器学习-白板推导系列

已完结 机器学习-白板推导系列

15人已学习 收藏 分享赚 ¥44.9元
价 格
89.00 ~ 449.00
打开微信扫描二维码
点击右上角进行分享

开通以下任意VIP等级即可免费学习本课程

我已阅读并同意《VIP服务协议》
开通 取消

详情

目录

资料(0)

评价(0)

【课程详情】

  • 01-开篇

    • 开篇(1)-频率派VS贝叶斯派

    • 开篇(2)-学习资料介绍


  • 02-数学基础

    • 数学基础(1)-高斯分布-极大似然估计

    • 数学基础(2)-高斯分布-极大似然估计(无偏估计VS有偏估计)

    • 数学基础(3)-高斯分布-从概率密度函数角度观察

    • 数学基础(4)-高斯分布-局限性

    • 数学基础(5)-高斯分布-已知联合概率求边缘概率及条件概率

    • 数学基础(6)-高斯分布-已知边缘和条件概率求联合概率分布

    • 数学基础(7)-不等式-杰森不等式


  • 03-线性回归

    • 线性回归1(最小二乘法及其几何意义)

    • 线性回归2(最小二乘法-概率视角-高斯噪声-MLE)

    • 线性回归3(正则化-岭回归)

    • 线性回归4(正则化-岭回归-概率角度-高斯噪声高斯先验-MAP)


  • 04-线性分类

    • 线性分类1-背景

    • 线性分类2-感知机(Perceptron)

    • 线性分类3-线性判别分析(Fisher判别分析)-模型

    • 线性分类4-线性判别分析(Fisher判别分析)-模型

    • 线性分类5-逻辑回归

    • 线性分类6-高斯判别分析

    • 线性分类7-高斯判别分析

    • 线性分类8-高斯判别分析

    • 线性分类9-朴素贝叶斯分类器


  • 05-降维

    • 降维1-背景介绍

    • 降维2-样本均值&样本方差的矩阵表示

    • 降维3-主成分分析(PCA)-最大投影方差角度

    • 降维4-主成分分析(PCA)-最小重构代价角度

    • 降维5-主成分分析(PCA)-SVD角度

    • 降维6-主成分分析(PCA)-概率角度


  • 06-支持向量机SVM

    • 支持向量机1-硬间隔SVM-模型定义

    • 支持向量机2-硬间隔SVM-模型求解

    • 支持向量机3-硬间隔SVM-模型求解

    • 支持向量机4-软间隔SVM-模型定义

    • 支持向量机5-约束优化问题-弱对偶性证明

    • 支持向量机6-约束优化问题-对偶关系的几何解

    • 支持向量机7-约束优化问题-对偶关系之sla

    • 支持向量机8-约束优化问题-对偶关系之KKT

    • 支持向量机9-备份


  • 07-核方法

    • 核方法(1)-背景介绍

    • 核方法(2)-正定核的两个定义

    • 核方法(3)-正定核充要条件-必要性证明

    • 核方法(4)-备份


  • 08-指数族分布

    • 指数族分布1-背景

    • 指数族分布2-背景

    • 指数族分布3-高斯分布的指数族形式

    • 指数族分布4-对数配分函数与充分统

    • 指数族分布5-极大似然估计与充分统

    • 指数族分布6-最大熵角度

    • 指数族分布7-最大熵角度


  • 09-概率图模型基础

    • 概率图模型1-背景介绍

    • 概率图模型2-贝叶斯网络-Representation-条件独立性

    • 概率图模型3(补充解释)-贝叶斯网络-Representation-条件独立性)

    • 概率图模型4-贝叶斯网络

    • 概率图模型5-贝叶斯网络

    • 概率图模型6-马尔可夫随机场

    • 概率图模型7-马尔可夫随机场

    • 概率图模型8-推断Inference

    • 概率图模型9-推断

    • 概率图模型10-推断

    • 概率图模型11-推断

    • 概率图模型12-推断

    • 概率图模型13-推断

    • 概率图模型14-概念补充-道德图

    • 概率图模型15-概念补充-因子图


  • 10-EM算法

    • EM算法(1)-EM算法公式以及算法收敛性证明

    • EM算法(2)-EM算法公式导出之ELBO-KL Diver

    • EM算法(3)-EM算法公式导出之ELBO-Jensen I

    • EM算法(4)-EM算法再回首

    • EM算法(5)-广义EM

    • EM算法(6)-EM变种


  • 11-高斯混合模型GMM

    • 高斯混合模型(1)-模型介绍

    • 高斯混合模型(2)-极大似然

    • 高斯混合模型(3)-EM求解-E-Ste

    • 高斯混合模型(4)-EM求解-M-Ste


  • 12-变分推断

    • 变分推断1(背景介绍)

    • 变分推断2(公式推导)

    • 变分推断3(再回首)

    • 变分推断4(随机梯度变分推断-SGVI-1)

    • 变分推断5(随机梯度变分推断-SGVI-2)


  • 13-MCMC

    • 蒙特卡洛方法1

    • 蒙特卡洛方法2

    • 蒙特卡洛方法3

    • 蒙特卡洛方法4

    • 蒙特卡洛方法5-吉布斯采样

    • 蒙特卡洛方法6

    • 蒙特卡洛方法7


  • 14-隐马尔可夫模型

    • 隐马尔可夫模型HMM(1)-背景介绍

    • 隐马尔可夫模型HMM(2)-背景介绍

    • 隐马尔可夫模型HMM(3)-前向算法

    • 隐马尔可夫模型HMM(4)-后向算法

    • 隐马尔可夫模型HMM(5)-Baum Welch算法

    • 隐马尔可夫模型HMM(6)-维特比算法

    • 隐马尔可夫模型HMM(7)-小结

    • 隐马尔可夫模型HMM(8)-小结


  • 15-线性动态系统-卡曼滤波

    • 线性动态系统1-KalmanFilter

    • 线性动态系统2-Filtering问题

    • 线性动态系统3-Filtering问题求解


  • 16-粒子滤波

    • 粒子滤波1-背景介绍

    • 粒子滤波2-重要性采样

    • 粒子滤波3-重采样

    • 粒子滤波4-SIR Filter


  • 17-条件随机场CRF

    • 条件随机场(1)-背景介绍

    • 条件随机场(2)-HMM VS MEM

    • 条件随机场(3)-MEMM VS CR

    • 条件随机场(4)-CRF模型-概率密度

    • 条件随机场(5)-CRF模型-概率密度

    • 条件随机场(6)-CRF模型-要解决的

    • 条件随机场(7)-CRF模型-Infe

    • 条件随机场(8)-CRF模型-Lear


  • 18-高斯网络

    • 高斯网络(1)-总体介绍

    • 高斯网络(2)-高斯贝叶斯网络

    • 高斯网络(3)-高斯马尔科夫随机场


  • 19-贝叶斯线性回归

    • 贝叶斯线性回归(1)-背景介绍

    • 贝叶斯线性回归(2)-推导介绍

    • 贝叶斯线性回归(3)-推导介绍

    • 贝叶斯线性回归(4)-推导预测

    • 贝叶斯线性回归(5)-小结


  • 20-高斯过程GP

    • 高斯过程GP(1)-简单介绍

    • 高斯过程GP(2)-权重空间角度

    • 高斯过程GP(3)-权重空间到函数空间

    • 高斯过程GP(4)-函数空间的角度


  • 21-受限玻尔兹曼机RBM

    • 受限玻尔兹曼机RBM(1)-背景介绍

    • 受限玻尔兹曼机RBM(2)-背景介绍

    • 受限玻尔兹曼机RBM(3)-模型表示

    • 受限玻尔兹曼机RBM(4)-模型表示

    • 受限玻尔兹曼机RBM(5)-模型推断

    • 受限玻尔兹曼机RBM(6)-模型推断


  • 22-谱聚类

    • 谱聚类(1)-背景介绍

    • 谱聚类(2)-模型介绍

    • 谱聚类(3)-模型的矩阵形式

    • 谱聚类(4)-模型的矩阵形式

    • 谱聚类(5)-模型的矩阵形式


  • 23-前馈神经网络

    • 前馈神经网络(1)-从机器学习到深度学习

    • 前馈神经网络(2)-从感知机到深度学习

    • 前馈神经网络(3)-非线性问题的三种解决方法


相关说明:

1、资源部分来源于网络公开发表文件,所有资料仅供学习交流。

2、所收取费用仅用来维系网站运营,性质为用户友情赞助,并非售卖文件费用。

3、如侵犯您的权益,请联系管理员处理。

暂时没有任何课件
综合
好评
0%
  • 综合评分5.00
  • 内容实用5.00
  • 通俗易懂5.00
友情链接:

邮箱:didabiancheng@126.com

地址:厦门火炬高新区软件园创新大厦C区3F-A487

Android/IOS App

微信小程序

微信公众号

VIP特权
微信客服
微信扫一扫咨询客服