2.8万播放
2.8万
12
2020-04-21 18:26:56
未经作者授权，禁止转载
513
297
1223
282
课程总结
收起全部章节
关闭课程总结
暂无课程总结
VOSviewer-1 参数调节: BV1RJ411q7QP
VOSviewer-2 Web of Science共现分析: BV1iE411s77H
VOSviewer-3 手动修改节点标签: BV1D5411t7QM
VOSviewer-4 合并同义词: BV1ui4y1b7uz
VOSviewer-5 CNKI共现: BV1zp4y1973p
VOSviewer-6 基本原理和思想: BV1fk4y1r7QK
vosviewer-7 修改标签字体 & 导出高清图片：BV1Uf4y1i7E4
研究生
1/21
加载中...
5.8万播放
《数值分析》| 华科 | 研究生基础课
261.7万播放
1.1 & 1.2 误差及有关概念
45:58
1.2.2 绝对误差 相对误差
45:25
1.2.3 相对误差限
46:41
2.1 插值法介绍
45:49
2.2 拉格朗日插值
47:51
2.2 & 2.3 牛顿插值思想
45:53
2.3 差商与牛顿插值 & 2.4 差分
46:25
2.5 埃尔米特插值
48:53
2.5 & 2.6 分段线性插值
45:04
2.6 插值余项分析 & 分段3次埃尔米特
38:08
2.7 3次样条插值 & 3.1 内积空间
46:48
3 函数逼近与曲线拟合
45:10
3.2 最佳平方逼近
44:56
3.3 正交多项式
56:37
3.3.2 勒让德多项式
30:16
3.3.3 切比雪夫多项式
40:46
3.4 正交函数做最佳平方逼近 & 3.5 最小二乘曲线拟合
51:46
复习 & 3.5.2 用多项式进行最小二乘曲线拟合
46:58
3.5.3 正交多项式在曲线拟合的应用
40:00
3.6 最佳一致逼近多项式
42:01
3.6.2 最佳一致逼近多项式的解法
45:34
3.6.2 切比雪夫多项式的应用
47:01
4 数值积分
45:43
4.1 数值求积公式
44:51
4.2 牛顿-柯特斯公式
45:40
4.3 复化求积公式
47:02
4.3.3 区间逐次分半求积法 & 4.4 龙贝格算法
50:01
4.4.2 理查德森外推 & 4.5 高斯型求积公式
48:09
4.5 高斯型求积公式
52:25
5 常微分方程的数值方法
48:41
5.2 欧拉方法
43:51
5.2.4 局部截断误差
53:47
5.3 龙格-库塔方法
49:25
5.3 & 5.4 单步法收敛性与稳定性
47:39
5.4 & 5.5 线性多步法
53:34
复习5章 & 6 线性代数方程组的解法
42:50
6.1 引言 & 6.2 高斯消去法
41:55
6.3 高斯主元消去法 & 6.4 矩阵分解
45:24
6.4.3 平方根分解法
43:37
6.5 误差分析 & 6.6 线性代数方程组的迭代解法
46:36
6.6.1 迭代公式 & 6.6.2 迭代法收敛性
46:03
复习6章 & 6.6.3 松弛迭代法SOR
51:02
6.6.3 & 7 非线性方程组的解法
43:38
7.2 简单迭代法
47:59
7.3 迭代加速
44:56
74.0万播放
【AI难懂的数学】过知识点必备!核函数、泰勒公式、概率论、微积分、拉格朗日、线性代数、高数、贝叶斯等难懂的数学通通包括！—人工智能数学基础/机器学习数学基础
7457播放
0-课程简介
04:01
1-函数
05:33
2-极限
06:49
3-无穷小与无穷大
06:34
4-连续性与导数
08:59
5-偏导数
07:02
6-方向导数
08:25
7-梯度
11:27
1-微积分基本想法
06:07
2-微积分的解释
08:02
3-定积分
08:33
4-定积分性质
05:29
5-牛顿-莱布尼茨公式
11:37
1-泰勒公式出发点
06:14
2-一点一世界
09:59
3-阶数的作用
08:08
4-阶乘的作用
05:55
1-拉格朗日乘子法
09:54
2-求解拉格朗日乘子法
10:06
1-行列式概述
05:44
2-矩阵与数据的关系
09:26
3-矩阵基本操作
12:12
5-矩阵的秩
12:41
6-内积与正交
11:28
1-特征值与特征向量
07:26
2-特征空间与应用
04:32
1-SVD要解决的问题
07:18
2-特征值分解
05:46
3-SVD矩阵分解
11:53
1-离散型随机变量
07:51
2-连续型随机变量
09:33
3-简单随机抽样
02:31
1-似然函数
07:35
2-极大似然估计
10:17
1-概率与频率
06:51
2-古典概型
06:24
3-条件概率
08:34
4-条件概率小例子
05:36
5-独立性
07:16
6-二维离散型随机变量
08:04
7-二维连续型随机变量
05:30
8-边缘分布
09:37
9-期望
04:21
10-期望求解
08:39
11-马尔科夫不等式
08:36
12-切比雪夫不等式
11:16
1-后验概率估计
10:05
14-贝叶斯拼写纠错实例
11:47
15-垃圾邮件过滤实例
14:10
1-正太分布
19:24
2-二项式分布
11:03
3-泊松分布
15:56
4-均匀分布
03:23
5-卡方分布
05:36
6-beta分布
14:55
1-核函数的目的
06:38
2-线性核函数
05:44
3-多项式核函数
04:35
4-核函数实例
06:54
5-高斯核函数
08:52
6-参数的影响
08:37
1-熵的概念
04:51
2-熵的大小意味着什么
12:10
1-激活函数
06:31
2-激活函数的问题
10:00
1-回归分析概述
07:12
2-回归方程定义
04:43
3-误差项的定义
07:49
4-最小二乘法推导与求解
12:42
5-回归方程求解小例子
06:33
6-回归直线拟合优度
11:10
7-多元与曲线回归问题
08:27
8-Python工具包介绍
05:02
9-statsmodels回归分析
09:39
10-高阶与分类变量实例
12:07
11-案例：汽车价格预测任务概述
09:20
12-案例：缺失值填充
13:38
13-案例：特征相关性
13:48
14-案例：预处理问题
07:06
15-案例：回归求解
13:24
1-假设检验基本思想
12:29
2-左右侧检验与双侧检验
14:21
3-Z检验基本原理
07:04
4-Z检验实例
14:07
5-T检验基本原理
13:03
6-T检验实例
06:18
7-T检验应用条件
07:44
8-卡方检验
11:29
9-假设检验中的两类错误
10:02
10-Python假设检验实例
12:35
11-Python卡方检验实例
08:01
1-相关分析概述
09:04
2-皮尔森相关系数
08:17
3-计算与检验
13:06
4-斯皮尔曼等级相关
14:07
5-肯德尔系数
06:49
6-质量相关分析
13:34
7-偏相关与复相关
07:35
1-方差分析概述
06:49
2-方差的比较
11:51
3-方差分析计算方法
14:01
4-方差分析中的多重比较
08:16
5-多因素方差分析
09:26
6-Python方差分析实例
08:35
1-层次聚类概述
04:42
2-层次聚类流程
12:11
3-层次聚类实例
11:34
1-KMEANS算法概述
11:34
2-KMEANS工作流程
09:43
3-KMEANS迭代可视化展示
08:21
1-DBSCAN聚类算法
11:04
2-DBSCAN工作流程
15:04
3-DBSCAN可视化展示
08:53
1-多种聚类算法概述
04:35
2-聚类案例实战
17:20
1-贝叶斯分析概述
07:23
2-概率的解释
06:07
3-贝叶斯学派与经典统计学派的争论
05:50
4-贝叶斯算法概述
06:59
5-贝叶斯推导实例
07:39
6-贝叶斯拼写纠错实例
11:47
7-垃圾邮件过滤实例
14:10
7-贝叶斯解释
10:51
8-经典求解思路
08:17
9-MCMC概述
11:04
10-PYMC3概述
05:42
11-模型诊断
09:54
12-模型决策
10:49
5298播放
2.4万播放
129.1万播放
8.1万播放
1.4万播放
8591播放
4.3万播放
33.2万播放
6.3万播放
充电专属
【机器学习】【白板推导系列】【合集 1～33】
191.5万播放
(系列一) 绪论-资料介绍
19:15
(系列一) 绪论-频率派vs贝叶斯派
15:44
(系列二) 数学基础-概率-高斯分布1-极大似然估计
26:04
(系列二) 数学基础-概率-高斯分布2-极大似然估计-无偏VS有偏
20:28
(系列二) 数学基础-概率-高斯分布3-从概率密度角度观察
25:08
(系列二) 数学基础-概率-高斯分布4-局限性
13:58
(系列二) 数学基础-概率-高斯分布5-求边缘概率以及条件概率
29:44
(系列二) 数学基础-概率-高斯分布6-求联合概率分布
21:33
(系列三) 线性回归1-最小二乘法及其几何意义
25:13
(系列三) 线性回归2-最小二乘法-概率视角-高斯噪声-MLE
12:24
(系列三) 线性回归3-正则化-岭回归-频率角度
16:50
(系列三) 线性回归4-正则化-岭回归-贝叶斯角度
16:03
(系列四) 线性分类1-背景
18:29
(系列四) 线性分类2-感知机（Perceptron）
18:37
(系列四) 线性分类3-线性判别分析（Fisher）-模型定义
33:00
(系列四) 线性分类4-线性判别分析（Fisher）-模型求解
14:33
(系列四) 线性分类5-逻辑回归（Logistic Regression）
17:41
(系列四) 线性分类6-高斯判别分析（Gaussian Discriminant Analysis）-模型定义
18:25
(系列四) 线性分类7-高斯判别分析（Gaussian Discriminant Analysis）-模型求解（求期望）
17:08
(系列四) 线性分类8-高斯判别分析（Gaussian Discriminant Analysis）-模型求解（求协方差）
22:51
(系列四) 线性分类9-朴素贝叶斯分类器（Naive Bayes Classifer）
19:08
(系列五) 降维1-背景
18:15
(系列五) 降维2-样本均值&样本方差矩阵
17:40
(系列五) 降维3-PCA-最大投影方差
21:35
(系列五) 降维4-PCA-最小重构代价
22:40
(系列五) 降维5-SVD角度开看PCA和PCoA
21:08
(系列五) 降维6-主成分分析（PCA）-概率角度（Probabilistic PCA）
34:25
(系列六) 支持向量机1-硬间隔SVM-模型定义
25:16
(系列六) 支持向量机2-硬间隔SVM-模型求解-引出对偶问题
34:23
(系列六) 支持向量机3-硬间隔SVM-模型求解-引出KKT条件
14:55
(系列六) 支持向量机4-软间隔SVM-模型定义
15:32
(系列六) 支持向量机5-约束优化问题-弱队偶性证明
23:24
(系列六) 支持向量机6-约束优化问题-对偶关系之几何解释
36:46
(系列六) 支持向量机7-约束优化问题-对偶关系之Slater Condition
13:11
(系列六) 支持向量机8-约束优化问题-对偶关系之KKT条件
14:51
(系列七) 核方法1-背景介绍
24:06
(系列七) 核方法2-正定核-两个定义
28:24
(系列七) 核方法3-正定核-必要性证明
20:05
(系列八) 指数族分布1-背景
18:55
(系列八) 指数族分布2-背景续
10:30
(系列八) 指数族分布3-高斯分布的指数族形式
12:24
(系列八) 指数族分布4-对数配分函数与充分统计量
12:55
(系列八) 指数族分布5-极大似然估计与充分统计量
11:15
(系列八) 指数族分布6-最大熵角度(1)
13:37
(系列八) 指数族分布7-最大熵角度(2)
21:43
(系列九) 概率图模型1-背景介绍
25:13
(系列九) 概率图模型2-贝叶斯网络-条件独立性
26:45
(系列九) 概率图模型3-贝叶斯网络-D-Seperation
22:14
(系列九) 概率图模型4-贝叶斯网络-例子-具体模型
18:20
(系列九) 概率图模型5-马尔可夫随机场-Representation-条件独立性
19:24
(系列九) 概率图模型6-马尔可夫随机场-Representation-因子分解
12:11
(系列九) 概率图模型7-推断Inference-总体介绍
19:25
(系列九) 概率图模型8-推断Inference-Variable Elimination
24:20
(系列九) 概率图模型9-推断Inference-Variable Elimation To Belief Propagation
32:45
(系列九) 概率图模型10-推断Inference-Belief Propagation
17:06
(系列九) 概率图模型11-推断Inference-Max Product(1)
23:24
(系列九) 概率图模型12-推断Inference-Max-Product(2)
08:46
(系列九) 概率图模型13-概念补充-因子图-Factor Graph
17:01
(系列九) 概率图模型14-概念补充-道德图Moral Graph
18:47
(系列十) EM算法1-算法收敛性证明
19:10
(系列十) EM算法2-公式导出之ELBO+KL Divergence
16:55
(系列十) EM算法3-公式导出之ELBO+Jensen Inequlity
18:57
(系列十) EM算法4-再回首
10:06
(系列十) EM算法5-广义EM
24:48
(系列十) EM算法6-EM的变种
10:13
(系列十一) 高斯混合模型1-模型介绍
26:06
(系列十一) 高斯混合模型2-极大似然
19:38
(系列十一) 高斯混合模型3-EM求解-E-Step
25:10
(系列十一) 高斯混合模型4-EM求解-M-Step
23:48
(系列十二) 变分推断1-背景介绍
15:59
(系列十二) 变分推断2-公式推导
28:06
(系列十二) 变分推断3-再回首
33:05
(系列十二) 变分推断4-SGVI-1
26:40
(系列十二) 变分推断5-SGVI-2
21:37
(系列十三) MCMC1-采样方法介绍
30:10
(系列十三) MCMC2-马尔可夫链Markov Chain
27:02
(系列十三) MCMC3-MH算法-Metropolis-Hastings
23:42
(系列十三) MCMC4-吉布斯算法-Gibbs
15:01
(系列十三) MCMC5-回顾
25:16
(系列十三) MCMC6-平稳分布
45:07
(系列十三) MCMC7-采样思路以及面临的困难
36:45
(系列十四) 隐马尔可夫模型1-背景
24:24
(系列十四) 隐马尔可夫模型2-背景续
07:44
(系列十四) 隐马尔可夫模型3-前向算法
29:20
(系列十四) 隐马尔可夫模型4-后向算法
18:28
(系列十四) 隐马尔可夫模型5-Baum-Welch算法(EM)
25:51
(系列十四) 隐马尔可夫模型6-Decoding问题-V维特比算法-Viterbi
19:47
(系列十四) 隐马尔可夫模型7-小结-Filtering问题&Smoothing问题&Prediction问题1
21:46
(系列十四) 隐马尔可夫模型8-小结-Filtering问题&Smoothing问题&Prediction问题2
25:42
(系列十五) 线性动态系统1-背景介绍
16:28
(系列十五) 线性动态系统2-Filtering问题
27:27
(系列十五) 线性动态系统3-Filtering问题求解
15:12
(系列十六) 粒子滤波1-背景介绍
23:33
(系列十六) 粒子滤波2-Importance Sampling & SIS
33:26
(系列十六) 粒子滤波3-重采样
26:36
(系列十六) 粒子滤波4-SIR Filter
14:05
(系列十七) 条件随机场1-背景介绍
34:44
(系列十七) 条件随机场2-HMM VS MEMM
21:40
(系列十七) 条件随机场3-MEMM VS CRF
31:10
(系列十七) 条件随机场4-概率密度函数的参数形式
28:18
(系列十七) 条件随机场5-概率密度函数的向量形式
22:01
(系列十七) 条件随机场6-模型要解决的问题
14:14
(系列十七) 条件随机场7-边缘概率计算
40:07
(系列十七) 条件随机场8-Learning-参数估计
34:11
(系列十八) 高斯网络1-总体介绍
17:48
(系列十八) 高斯网络2-高斯贝叶斯网络介绍
27:28
(系列十八) 高斯网络3-高斯马尔科夫随机场
34:15
(系列十九) 贝叶斯线性回归1
15:52
(系列十九) 贝叶斯线性回归2
18:18
(系列十九) 贝叶斯线性回归3
28:32
(系列十九) 贝叶斯线性回归4
10:34
(系列十九) 贝叶斯线性回归5
08:35
(系列二十) 高斯过程回归1-简单介绍
24:25
(系列二十) 高斯过程回归2-权重空间角度
38:52
(系列二十) 高斯过程回归3-权重空间到函数空间
31:12
(系列二十) 高斯过程回归4-函数空间角度
24:18
(系列二十一) 受限玻尔兹曼机1-背景介绍-引出玻尔兹曼分布
14:07
(系列二十一) 受限玻尔兹曼机2-背景介绍-玻尔兹曼分布的形象解释
09:06
(系列二十一) 受限玻尔兹曼机3-模型表示
21:09
(系列二十一) 受限玻尔兹曼机4-模型表示-回顾
42:38
(系列二十一) 受限玻尔兹曼机5-推断-后验概率
43:20
(系列二十一) 受限玻尔兹曼机6-模型推断-边缘概率
23:26
(系列二十二) 谱聚类1-背景介绍
09:56
(系列二十二) 谱聚类2-模型介绍
26:21
(系列二十二) 谱聚类3-模型的矩阵形式-Indicator Vector
06:52
(系列二十二) 谱聚类4-模型的矩阵形式-对角矩阵
25:51
(系列二十二) 谱聚类5-Lapalacian Matrix
15:28
(系列二十三) 前馈神经网络1-从机器学习到深度学习
15:48
(系列二十三) 前馈神经网络2-从感知机到深度学习
18:35
(系列二十三) 前馈神经网络3-非线性问题的三种解决方法
25:51
(系列二十四) 直面配方函数1-The log-likelihood gradient
26:48
(系列二十四) 直面配分函数2-Stochastic Maximum Likelihood
28:31
(系列二十四) 直面配分函数3-What is CD(Contrastive Divergence)
15:26
(系列二十四) 直面配方函数4-The Name of Contrastive Divergence
15:26
(系列二十四) 直面配分函数5-The log-likelihood of Energy-based model with latent variable
22:08
(系列二十四) 直面配分函数6-The log-likelihood gradient of RBM
16:39
(系列二十四) 直面配方函数7-CD-k for RBM
09:20
(系列二十五) 近似推断1-介绍
18:57
(系列二十五) 近似推断2-推断即优化
12:19
(系列二十六) Sigmoid Belief Network1-背景介绍
16:34
(系列二十六) Sigmoid Belief Network2-gradient of log-likelihood
13:27
(系列二十六) Sigmoid Belief Network3-gradient of log-likelihood续
14:08
(系列二十六) Sigmoid Belief Network4-醒眠算法-介绍
20:43
(系列二十六) Sigmoid Belief Network5-醒眠算法-KL Divergence
17:55
(系列二十六) Sigmoid Belief Network6-醒眠算法-KL Divergence续
09:13
(系列二十七)深度信念网络1-背景介绍
23:08
(系列二十七)深度信念网络2-叠加RBM的动机
15:35
(系列二十七)深度信念网络3-叠加RBM可提高ELBO
14:47
(系列二十七)深度信念网络4-预训练
18:56
(系列二十八)玻尔兹曼机1-介绍
14:50
(系列二十八)玻尔兹曼机2-log似然的梯度
21:58
(系列二十八)玻尔兹曼机3-基于MCMC的梯度上升
24:11
(系列二十八)玻尔兹曼机4-条件概率推导
39:17
(系列二十八)玻尔兹曼机5-平均场推断1
03:27
(系列二十八)玻尔兹曼机6-平均场推断2
29:02
(系列二十八)玻尔兹曼机7-平均场推断3
14:34
(系列二十九)深度玻尔兹曼机1-背景介绍
17:50
(系列二十九)深度玻尔兹曼机2-预训练1-介绍
17:25
(系列二十九)深度玻尔兹曼机3-预训练2-double counting problem
19:50
(系列二十九)深度玻尔兹曼机4-预训练3-收尾
17:51
(系列三十)生成模型1-定义
06:51
(系列三十)生成模型2-监督VS非监督
27:19
(系列三十)生成模型3-表示&推断&学习
19:14
(系列三十)生成模型4-模型分类
17:59
(系列三十)生成模型5-概率图VS神经网络
21:08
(系列三十)生成模型6-重参数技巧
16:53
(系列三十一)生成式对抗网络1-例子
08:44
(系列三十一)生成式对抗网络2-数学描述
20:13
(系列三十一)生成式对抗网络3-全局最优解
25:23
(系列三十二)变分自编码器1-模型表示
17:23
(系列三十二)变分自编码器2-推断&学习
26:07
(系列三十三)Normalizing Flow1-模型表示
27:29
统计机器学习-张志华
9.1万播放
1.概率基础
42:56
2.随机变量1
42:22
3.随机变量2
44:29
4.高斯分布
41:39
5.例子
42:33
6.连续分布
38:59
7.jeffrey prior
40:45
8.scale mixture pisribarin
41:48
9.statistic interence
35:57
10.Laplace 变换
45:17
11.多元分布定义
35:19
12.概率变换
34:32
13.jacobian
34:03
14.wedge production
34:32
15.Wishart 分布
38:32
16.多元正态分布
38:40
17.统计量
37:44
18.矩阵元Beta分布
14:36
19.共轭先验性质
21:15
20.统计量 充分统计量
40:10
21.指数值分布
37:15
22.Entropy
42:38
23.KL distance
37:43
24.properties
24:00
25.概率不等式1
42:54
26.概率不等式2
36:04
27.概率不等式1
39:20
28.概率不等式2
35:00
29.概率不等式3
35:45
30.John 引理
27:45
31.概率不等式
38:18
32.随机投影
37:20
33.Stochastic Convergence-概念
42:55
34.Stochastic Convergence-性质
27:42
35.Stochastic Convergence-应用
24:04
36.EM算法1
43:44
37.EM算法2
39:23
38.EM算法3
27:04
39.Bayesian Classification
38:21
40.Markov Chain Monte carlo1
44:21
41.Markov Chain Monte carlo2
20:03
S.P.[HW讲评合集]（更新至6.1）
2.1万播放
ex1.1
04:35
ex1.2
04:16
ex1.3
03:47
ex1.4
05:17
ex2.2(1)
02:54
ex2.2(2)
03:08
ex3.1
12:35
ex3.2
05:18
ex3.3
09:12
ex3.5
05:16
ex4.1
05:38
ex4.2
05:54
ex4.3
04:33
ex4.4&5
07:02
ex5.1
07:18
ex5.2
04:36
ex5.3(1)
05:05
ex5.3(2-3)
07:47
ex5.4&5
07:58
ex6.1
06:09
随机过程 - 华中科技大学(更新至7.4)
48.4万播放
1.1 - 概率论基础
35:28
1.2 - 特征函数
27:52
1.3 - 多维正态分布
10:05
1.4 - 条件期望
39:14
1.5 - 随机模拟
18:26
2.1 - 随机过程的基本概念
36:17
2.1 - 随机过程的分类(一)
25:07
2.1 - 随机过程的分类(二)
17:34
3.1 - POISSON过程的定义
21:27
3.2 - POISSON过程的基本性质
14:00
3.3 - POISSON过程的到达时刻与时间间隔
38:11
3.4 - POISSON过程的两个案例
16:52
3.5 - POISSON过程的推广
24:35
4.1 - Wiener过程
33:30
4.2 - Wiener过程的性质与计算
24:57
4.3 - Wiener过程的轨道性质(一)
18:35
4.3 - Wiener过程的轨道性质(二）
18:28
4.4 - Wiener过程首中时和最大值过程
27:47
4.5 - Wiener过程的推广
20:00
5.1 - Markov链的定义和例子
24:27
5.2 - C-K方程
22:18
5.3 - Markov链状态的分类(一)
48:36
5.3 - Markov链状态的分类(二)
21:49
5.3 - Markov链状态的分类(三)
18:40
5.4 - Markov链的平稳分布和极限分布
42:33
5.5 - Markov链的应用案例
29:23
6.1 - 连续时间的Markov链
27:18
6.2 - Kolmogorov微分方程
32:45
6.3 - 生灭过程
36:52
7.1 - 平稳过程定义与例子
28:59
7.2 - 平稳过程相关函数的性质
11:15
7.3 - 均方微积分
36:44
7.4 - 平稳过程的各态历经性
33:00
加载中...
加载中...
展开