主打一个硬核!【机器学习经典算法】终于被人用大白话的方式讲解出来,绝对通俗易懂!附相关教程、课件源码、读书笔记、电子书分享—

2159
1
2025-04-18 17:56:11
正在缓冲...
43
17
375
11
讲的太全面了!
分享人工智能前沿技术,学习人工智能的小伙伴可以关注我,不定期分享高质量视频
视频选集
(1/135)
自动连播
开篇(1)-学习资料介绍
19:12
开篇(2)-频率派VS贝叶斯派
15:43
数学基础(1)-高斯分布-极大似然估计
26:02
数学基础(2)-高斯分布-极大似然估计(无偏估计VS有偏估计))
20:27
数学基础(3)-高斯分布-从概率密度函数角度观察
25:07
数学基础(4)-高斯分布-局限性
13:57
数学基础(5)-高斯分布-已知联合概率求边缘概率及条件概率
29:42
数学基础(6)-高斯分布-已知边缘和条件概率求联合概率分布
21:32
数学基础(7)-不等式-杰森不等式
13:34
线性回归1(最小二乘法及其几何意义))
25:11
线性回归2(最小二乘法-概率视角-高斯噪声-MLE))
12:23
线性回归3(正则化-岭回归))
16:49
线性回归4(正则化-岭回归-概率角度-高斯噪声高斯先验-MAP)
16:02
线性分类1-背景
18:28
线性分类2-感知机(Perceptron)
18:36
线性分类3-线性判别分析(Fisher判别分析)-模型
32:58
线性分类4-线性判别分析(Fisher判别分析)-模型
14:32
线性分类5-逻辑回归
17:40
线性分类6-高斯判别分析
18:24
线性分类7-高斯判别分析
17:07
线性分类8-高斯判别分析
22:50
线性分类9-朴素贝叶斯分类器
19:07
降维1-背景介绍
18:14
降维2-样本均值&样本方差的矩阵表示
17:39
降维3-主成分分析(PCA)-最大投影方差角度
21:34
降维4-主成分分析(PCA)-最小重构代价角度
22:39
降维5-主成分分析(PCA)-SVD角度
21:07
降维6-主成分分析(PCA)-概率角度
34:22
支持向量机1-硬间隔SVM-模型定义
25:15
支持向量机2-硬间隔SVM-模型求解
34:21
支持向量机3-硬间隔SVM-模型求解
14:54
支持向量机4-软间隔SVM-模型定义
15:31
支持向量机5-约束优化问题-弱对偶性证明
23:24
支持向量机6-约束优化问题-对偶关系的几何解
36:46
支持向量机7-约束优化问题-对偶关系之sla
13:11
支持向量机8-约束优化问题-对偶关系之KKT
14:50
支持向量机9-备份
25:14
核方法(1)-背景介绍
24:05
核方法(2)-正定核的两个定义
29:48
核方法(3)-正定核充要条件-必要性证明
20:05
核方法(4)-备份
26:58
指数族分布1-背景
18:54
指数族分布2-背景
10:30
指数族分布3-高斯分布的指数族形式
12:23
指数族分布4-对数配分函数与充分统
12:55
指数族分布5-极大似然估计与充分统
11:14
指数族分布6-最大熵角度
13:36
指数族分布7-最大熵角度
21:43
概率图模型1-背景介绍
25:11
概率图模型2-贝叶斯网络-Representation-条件独立性
26:43
概率图模型3(补充解释)-贝叶斯网络-Representation-条件独立性)
11:55
概率图模型4-贝叶斯网络
22:13
概率图模型5-贝叶斯网络
07:45
概率图模型6-马尔可夫随机场
19:23
概率图模型7-马尔可夫随机场
12:10
概率图模型8-推断Inference
06:06
概率图模型9-推断
24:19
概率图模型10-推断
32:45
概率图模型11-推断
17:05
概率图模型12-推断
23:23
概率图模型13-推断
08:45
概率图模型14-概念补充-道德图
18:46
概率图模型15-概念补充-因子图
17:00
EM算法(1)-EM算法公式以及算法收敛性证明
19:10
EM算法(2)-EM算法公式导出之ELBO-KL Diver
16:54
EM算法(3)-EM算法公式导出之ELBO-Jensen I
18:56
EM算法(4)-EM算法再回首
10:06
EM算法(5)-广义EM
24:48
EM算法(6)-EM变种
10:12
高斯混合模型(1)-模型介绍
26:04
高斯混合模型(2)-极大似然
19:38
高斯混合模型(3)-EM求解-E-Ste
25:09
高斯混合模型(4)-EM求解-M-Ste
23:48
变分推断1(背景介绍)
15:58
变分推断2(公式推导)
28:04
变分推断3(再回首)
33:05
变分推断4(随机梯度变分推断-SGVI-1)
26:40
变分推断5(随机梯度变分推断-SGVI-2)
21:37
蒙特卡洛方法1
30:08
蒙特卡洛方法2
27:00
蒙特卡洛方法3
23:41
蒙特卡洛方法4
15:00
蒙特卡洛方法5-吉布斯采样
15:11
蒙特卡洛方法6
25:16
蒙特卡洛方法7
45:07
蒙特卡洛方法8
36:45
隐马尔可夫模型HMM(1)-背景介绍
24:23
隐马尔可夫模型HMM(2)-背景介绍
07:44
隐马尔可夫模型HMM(3)-前向算法
29:18
隐马尔可夫模型HMM(4)-后向算法
18:27
隐马尔可夫模型HMM(5)-Baum Welch算法
25:50
隐马尔可夫模型HMM(6)-维特比算法
19:46
隐马尔可夫模型HMM(7)-小结
21:44
隐马尔可夫模型HMM(8)-小结
25:41
线性动态系统1-KalmanFilter
16:27
线性动态系统2-Filtering问题
27:25
线性动态系统3-Filtering问题求解
15:11
粒子滤波1-背景介绍
23:32
粒子滤波2-重要性采样
33:24
粒子滤波3-重采样
26:34
粒子滤波4-SIR Filter
14:04
条件随机场(1)-背景介绍
34:42
条件随机场(2)-HMM VS MEM
21:40
条件随机场(3)-MEMM VS CR
31:10
条件随机场(4)-CRF模型-概率密度
28:27
条件随机场(5)-CRF模型-概率密度
22:01
条件随机场(6)-CRF模型-要解决的
14:14
条件随机场(7)-CRF模型-Infe
40:07
条件随机场(8)-CRF模型-Lear
34:11
高斯网络(1)-总体介绍
17:47
高斯网络(2)-高斯贝叶斯网络
27:27
高斯网络(3)-高斯马尔科夫随机场
34:12
贝叶斯线性回归(1)-背景介绍
15:51
贝叶斯线性回归(2)-推导介绍
17:28
贝叶斯线性回归(3)-推导介绍
28:32
贝叶斯线性回归(4)-推导预测
10:34
贝叶斯线性回归(5)-小结
08:35
高斯过程GP(1)-简单介绍
24:27
高斯过程GP(2)-权重空间角度
39:27
高斯过程GP(3)-权重空间到函数空间
31:30
高斯过程GP(4)-函数空间的角度
24:18
受限玻尔兹曼机RBM(1)-背景介绍
14:07
受限玻尔兹曼机RBM(2)-背景介绍
21:09
受限玻尔兹曼机RBM(3)-模型表示
21:09
受限玻尔兹曼机RBM(4)-模型表示
42:38
受限玻尔兹曼机RBM(5)-模型推断
43:21
受限玻尔兹曼机RBM(6)-模型推断
23:54
谱聚类(1)-背景介绍
09:55
谱聚类(2)-模型介绍
26:21
谱聚类(3)-模型的矩阵形式
06:51
谱聚类(4)-模型的矩阵形式
25:51
谱聚类(5)-模型的矩阵形式
15:28
前馈神经网络(1)-从机器学习到深度学习
15:48
前馈神经网络(2)-从感知机到深度学习
18:34
前馈神经网络(3)-非线性问题的三种解决方法
25:51
客服
顶部
赛事库 课堂 2021拜年纪