IT视频教程资源网
标题:
机器学习视频资源合集
[打印本页]
作者:
admin
时间:
2020-3-1 10:17
标题:
机器学习视频资源合集
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】
欢迎光临 IT视频教程资源网 (https://www.zhilexue.tech/)
Powered by Discuz! X3.2