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

立 即 下 载

相关资源

发表评论

点 击 提 交