《大数据机器学习》课程是面向信息学科的高年级本科生或研究生开设的基础理论课，目的是培养学生深入理解大数据机器学习理论基础，牢固掌握大数据机器学习方法，并能够解决实际问题等综合能力。课程的主要内容包括：统计学习基本理论，机器学习基本方法，深度学习理论和方法。

• 课时1：机器学习定义和典型应用 (10分2秒)
• 课时2：机器学习和人工智能的关系 (1分34秒)
• 课时3：深度学习方法和其它人工智能方法的共性和差异 (1分40秒)
• 课时4：机器学习和数据挖掘的关系 (1分26秒)
• 课时5：机器学习和统计学习的关系 (1分8秒)
• 课时6：机器学习的发展历程 (3分16秒)
• 课时7：大数据机器学习的主要特点 (9分12秒)
• 课时8：机器学习的基本术语 (5分31秒)
• 课时9：监督学习 (1分49秒)
• 课时10：假设空间 (1分58秒)
• 课时11：学习方法三要素 (3分48秒)
• 课时12：奥卡姆剃刀定理 (53秒)
• 课时13：没有免费的午餐定理v (3分43秒)
• 课时14：训练误差和测试误差 (49秒)
• 课时15：过拟合与模型选择 (6分8秒)
• 课时16：泛化能力 (1分46秒)
• 课时17：生成模型和判别模型 (1分42秒)
• 课时18：留出法 (3分21秒)
• 课时19：交叉验证法 (36秒)
• 课时20：自助法 (2分4秒)
• 课时21：性能度量 (6分23秒)
• 课时22：PR曲线 (4分30秒)
• 课时23：ROC和AUC曲线 (1分27秒)
• 课时24：代价敏感错误率 (2分49秒)
• 课时25：假设检验 (5分17秒)
• 课时26：T检验 (1分59秒)
• 课时27：偏差和方差 (4分3秒)
• 课时28：感知机模型 (4分56秒)
• 课时29：感知机学习策略 (2分28秒)
• 课时30：感知机学习算法 (17分18秒)
• 课时31：原型聚类描述 (3分43秒)
• 课时32：性能度量 (10分53秒)
• 课时33：原型聚类 k均值算法 (4分58秒)
• 课时34：原型聚类 学习向量算法 (4分55秒)
• 课时35：原型聚类 密度聚类 (4分48秒)
• 课时36：原型聚类 层次聚类 (3分22秒)
• 课时37：综述 (34秒)
• 课时38：概率图模型 (3分18秒)
• 课时39：贝叶斯网络 (12分12秒)
• 课时40：朴素贝叶斯分类器 (4分59秒)
• 课时41：半朴素贝叶斯分类器v (24分17秒)
• 课时42：贝叶斯网络结构学习推断 (1分15秒)
• 课时43：吉布斯采样 (3分17秒)
• 课时44：决策树和随机森林 (29秒)
• 课时45：决策树模型与学习基本概念 (15分29秒)
• 课时46：信息量和熵 (10分23秒)
• 课时47：决策树的生成 (13分42秒)
• 课时48：决策树的减枝 (4分41秒)
• 课时49：CART算法 (15分37秒)
• 课时50：随机森林 (5分30秒)
• 课时51：逻辑斯蒂回归与最大熵模型简介 (3分30秒)
• 课时52：逻辑斯谛回归模型 (7分36秒)
• 课时53：最大熵模型 (19分7秒)
• 课时54：模型学习的最优化方法 (21分30秒)
• 课时55：SVM (46秒)
• 课时56：SVM简介 (6分45秒)
• 课时57：线性可分支持向量机 (8分46秒)
• 课时58：凸优化问题的基本概念 (20分29秒)
• 课时59：支持向量的确切定义 (3分59秒)
• 课时60：线性支持向量机 (9分15秒)
• 课时61：核方法与非线性SVM (3分42秒)
• 课时62：泛函基础知识 (21分22秒)
• 课时63：核函数和非线性支持向量机 (14分25秒)
• 课时64：序列最小最优化算法 (16分2秒)
• 课时65：降维与度量学习 (1分59秒)
• 课时66：k近邻学习 (3分57秒)
• 课时67：降维嵌入 (12分26秒)
• 课时68：主要成分分析 (8分49秒)
• 课时69：核化线性降维 (5分4秒)
• 课时70：流型学习和度量学习 (18分15秒)
• 课时71：提升方法adaboost算法 (20分38秒)
• 课时72：Adaboost算法的训练误差分析 (4分31秒)
• 课时73：Adaboost算法的解释 (4分38秒)
• 课时74：Adaboost的实现 (13分27秒)
• 课时75：EM算法及混合高斯模型 (1分29秒)
• 课时76：问题提出 (2分23秒)
• 课时77：EM算法的引入 (19分13秒)
• 课时78：EM算法的收敛性 (4分16秒)
• 课时79：EM算法在高斯混合模型学习中的应用 (7分11秒)
• 课时80：EM算法的推广 (5分41秒)
• 课时81：计算学习理论 (1分47秒)
• 课时82：计算学习理论的基础知识 (7分27秒)
• 课时83：概率近似正确学习理论 (11分49秒)
• 课时84：有限假设空间 (10分7秒)
• 课时85：VC维 (10分30秒)
• 课时86：学习稳定性 (6分12秒)
• 课时87：隐马尔可夫模型 (1分10秒)
• 课时88：隐马尔科夫模型的基本概念 (12分9秒)
• 课时89：概率计算算法 (15分15秒)
• 课时90：学习算法 (10分29秒)
• 课时91：预测算法 (13分16秒)
• 课时92：条件随机场 (7分4秒)
• 课时93：概率无向图模型 (8分21秒)
• 课时94：条件随机场的定义与形式 (17分2秒)
• 课时95：条件随机场的计算问题 (4分27秒)
• 课时96：条件随机场的学习算法 (6分47秒)
• 课时97：条件随机场的预测算法 (8分13秒)
• 课时98：概率图模型的学习与推断 (2分11秒)
• 课时99：精确推断法：变量消去法和信念传播法 (11分34秒)
• 课时100：近似推断法：MCMC和变分推断 (20分58秒)
• 课时101：神经网络的发展历程 (7分56秒)
• 课时102：神经网络的基本概念以及常见的神经网络(一） (16分9秒)
• 课时103：神经网络的基本概念以及常见的神经网络(二） (25分23秒)
• 课时104：玻尔兹曼机 (6分8秒)
• 课时105：深度学习 (7分4秒)
• 课时106：深度学习简介和架构设计 (6分57秒)
• 课时107：计算图形式的反向传播算法 (8分27秒)
• 课时108：深度学习的正则化方法（一） (25分49秒)
• 课时109：深度学习的正则化方法（二） (27分11秒)
• 课时110：深度学习的优化问题 (18分2秒)
• 课时111：神经网络优化的挑战 (14分33秒)
• 课时112：神经网络的优化算法 (12分0秒)
• 课时113：相关策略 (23分57秒)

展开↓