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