【合集】十分钟 机器学习 系列视频 《统计学习方法》——监督学习篇
正在缓冲...
本系列每个视频十分钟，一次一个知识点，帮助小伙伴们由表及里地理解机器学习的基本方法。
视频选集
（121/200）
自动连播
1.1 统计学习方法的定义与分类
10:13
1.2 统计学习的基本分类——监督学习
13:44
1.2 统计学习的基本分类——无监督学习和强化学习
06:07
1.3 统计学习方法的三要素
16:43
1.4 模型评估与模型选择
13:33
1.5 正则化与交叉验证
08:17
1.6 泛化能力——概念理解
09:07
1.6 泛化能力——定理证明
12:40
1.7 生成模型与判别模型
08:38
1.8 监督学习应用——分类问题
07:09
1.8 监督学习应用——标注问题和回归问题
09:48
2.1 感知机——模型介绍和学习策略
12:53
2.2 感知机——准备知识：梯度下降法
11:22
2.3 感知机——学习算法之原始形式：算法解说
14:39
2.3 感知机——学习算法之对偶形式：算法解说
11:19
2.3 感知机——学习算法之对偶形式：例题分析
08:53
2.3 感知机——学习算法之原始形式：算法的收敛性
13:18
3.1 k近邻法——简介
15:00
3.2 k近邻法——三要素
17:48
3.3 k近邻法——什么是kd树
05:52
3.3 k近邻法——构造kd树
13:11
3.3 k近邻法——搜索kd树
13:32
4.1 朴素贝叶斯法：核心——贝叶斯定理
17:20
4.2 朴素贝叶斯法：因何而朴素？
16:00
4.3 朴素贝叶斯法：后验概率最大化准则
09:50
4.4 朴素贝叶斯法：极大似然法之原理篇
14:07
4.4 朴素贝叶斯法：极大似然估计之实现篇
19:00
4.5 朴素贝叶斯法：算法
14:56
4.6【基础篇】朴素贝叶斯法：贝叶斯估计
08:21
4.6【进阶篇】朴素贝叶斯法：贝叶斯估计
23:27
4.6【习题篇】朴素贝叶斯法：贝叶斯估计
10:03
5.1 决策树：一棵有理想的树
16:18
5.2 决策树——条件概率分布
13:04
5.2 决策树——决策树学习
08:25
5.3 决策树：信息增益
14:06
5.3 决策树：信息增益例题解说
17:58
5.3 决策树：信息增益比
10:33
5.4 决策树的生成——ID3算法
14:28
5.4 决策树的生成——C4.5算法
02:15
5.4 决策树的生成——例题详解
16:50
5.5 决策树：剪枝
14:37
5.5 决策树：预剪枝（1）
12:33
5.5 决策树：预剪枝（2）
13:13
5.5 决策树：后剪枝——降低错误的剪枝
13:00
5.5 决策树：后剪枝——悲观剪枝方法之原理篇
08:45
5.5 决策树：后剪枝——悲观错误剪枝之实例篇（1）
11:14
5.5 决策树：后剪枝——悲观错误剪枝之实例篇（2）
06:34
5.5 决策树：后剪枝——最小错误剪枝方法之原理篇
13:44
5.5 决策树：后剪枝——最小错误剪枝方法之实例篇
05:58
5.5 决策树：后剪枝——基于错误剪枝方法之误判率上界
12:13
5.5 决策树：后剪枝——基于错误剪枝方法之具体过程
07:10
5.5 决策树：后剪枝——代价复杂度剪枝
13:32
5.6 决策树：CART算法（1）——简介
07:27
5.6 决策树：CART算法（2）——基尼指数
07:58
5.6 决策树： CART算法（3）——特征下的基尼指数
13:21
5.6 决策树： CART算法（4）——分类树的生成
24:57
5.6 决策树：CART算法（5）——回归树的生成
22:25
5.6 决策树：CART算法（6）——剪枝
15:41
6.1 逻辑回归：Logistic的起源
21:50
6.2 逻辑回归：Logistic Distribution（修订版）
16:28
6.3 逻辑回归：回归模型
14:30
6.4 逻辑回归：逻辑回归模型
15:37
6.5 逻辑回归：参数估计
11:47
7.1 最大熵模型：原理篇之离散分布
16:13
7.1 最大熵模型：原理篇之连续分布
10:39
7.2 最大熵模型：模型简介（1）
08:24
7.2 最大熵模型：模型简介（2）
11:51
7.2 最大熵模型：模型简介（3）
12:28
7.3 最大熵模型：拉格朗日乘子法
09:23
7.3 最大熵模型：原始问题
08:56
7.3 最大熵模型：对偶问题
10:46
7.3 最大熵模型：最大熵模型的学习问题
10:15
7.3 最大熵模型：原始问题和对偶问题的最优解相同吗？
19:04
7.3 最大熵模型：如何利用对偶问题解决原始问题
14:43
7.3 最大熵模型：例题解说
12:40
7.3 最大熵模型：极大似然估计（1）
11:18
7.3 最大熵模型：极大似然估计（2）
09:20
7.4 最大熵模型：优化算法——最速梯度下降法（1）
12:20
7.4 最大熵模型：优化算法——最速梯度下降法（2）
15:10
7.4 最大熵模型：优化算法——牛顿法的奇闻异事
12:02
7.4 最大熵模型：优化算法——牛顿法之求零点
10:58
彩蛋：平方根倒数速算法
04:01
7.4 最大熵模型：优化算法——牛顿法之求极小值
10:59
7.4 最大熵模型：优化算法——牛顿法之求多元情形
10:14
7.4 最大熵模型：优化算法——拟牛顿法条件
13:25
7.4 最大熵模型：优化算法——拟牛顿法之一维搜索
07:54
7.4 最大熵模型：优化算法——拟牛顿法之DFP算法
13:12
7.4 最大熵模型：优化算法——拟牛顿法之BFGS算法
13:35
7.4 最大熵模型：优化算法—改进的迭代尺度算法（1）
19:46
7.4 最大熵模型：优化算法—改进的迭代尺度算法（2）
19:54
8 支持向量机（1）：逻辑回归与支持向量机
09:24
8 支持向量机（2）：感知机与支持向量机
07:51
8 支持向量机（3）：支持向量名称的由来
10:07
8 支持向量机（4）：支持向量机的学习问题
13:19
8 支持向量机（5）：如何保证学习问题所得到的最优解具有可识别性？
10:40
8 支持向量机（6）：支持向量机的学习问题是凸优化问题吗？
26:09
8 支持向量机（7）：最大间隔算法
15:02
8 支持向量机（8）：线性可分支持向量机的对偶问题
16:13
8 支持向量机（9）：如何通过对偶问题获得参数
08:10
8 支持向量机（10）：线性可分支持向量机的对偶算法
20:21
8 支持向量机（11）：线性支持向量机的原始问题
12:25
8 支持向量机（12）：线性支持向量机的对偶算法
16:40
8 支持向量机（13）： 线性支持向量机的算法
14:58
8 支持向量机（14）：如何从合页损失角度理解线性支持向量机
13:50
8 支持向量机（15）：为什么要提出非线性支持向量机
10:07
8 支持向量机（16）：核函数有什么用
13:05
8 支持向量机（17）：半正定Gram矩阵是什么
13:54
8 支持向量机（18）：映射下的新空间
13:29
8 支持向量机（19）：我们定义的这个运算是内积吗
09:50
8 支持向量机（20）：从向量空间到希尔伯特空间
19:16
8 支持向量机（21）：正定核函数的充要条件
16:47
8 支持向量机（22）：常见的两种连续空间上定义的正定核函数
05:45
8 支持向量机（23）：字符串核函数的小例子
11:48
8 支持向量机（24）：字符串核函数中的概念
14:39
8 支持向量机（25）：非线性支持向量机的算法简介
04:03
8 支持向量机（26）：坐标下降法
11:22
8 支持向量机（27）：序列最小最优化（SMO）算法简介
13:15
8 支持向量机（28）：序列最小最优化算法的解
20:33
8 支持向量机（29）：序列最小最优化算法中的迭代公式.MP4
15:05
8 支持向量机（30）：SMO算法中参数变量的选择.MP4
16:38
8 支持向量机（31）：SMO算法中参数变量的选择.MP4
11:11
8 支持向量机（32）：根SMO算法全过程.MP4
16:23
9 提升方法（1）：集成方法简介
13:47
9 提升方法（2）：准备知识——什么是PAC框架
13:12
9 提升方法（3）：AdaBoost例题先感受——第一轮
12:08
9 提升方法（4）：AdaBoost例题先感受——第二轮
15:01
9 提升方法（5）：AdaBoost例题先感受——第三轮
12:24
9 提升方法（6）：AdaBoost算法简介
12:32
9 提升方法（7）：算法中的权重更新
13:26
9 提升方法（8）：定理8.1中的训练误差上界
15:49
9 提升方法（9）：为何用规范化因子表示指数损失
13:34
9 提升方法（10）：打通定理8.2的前两行公式
11:58
9 提升方法（11）：定理8.2第三行的证明（泰勒展开证明法）
08:18
9 提升方法（12）：看看大佬怎么证明定理8.2第三行
09:03
9 提升方法（13）：为什么要证明定理8.2第三行
11:42
9 提升方法（14）：回归中的前向思想
15:45
9 提升方法（15）：可加模型的原理
10:42
9 提升方法（16）：AdaBoost的前向分步算法
13:47
9 提升方法（17）：提升树简介
11:04
9 提升方法（18）：提升树算法
09:29
9 提升方法（19）：提升树例题详解
18:43
9 提升方法（20）：梯度提升方法
08:27
10 EM算法（1）：餐前小甜点——回顾MLE
14:47
10 EM算法（2）：豆花小例子（上）——确定计算目标
09:07
10 EM算法（3）：豆花小例子（中）——极大似然冗长的计算
18:12
10 EM算法（4）：豆花小例子（下）——简便的EM思路
10:18
10 EM算法（5）：硬币小盲盒怎么猜（上）
09:48
10 EM算法（6）：硬币小盲盒怎么猜（下）
11:11
10 EM算法（7）：EM算法解说
13:53
10 EM算法（8）：拿个例子来练手
25:02
10 EM算法（9）：EM算法的合理性——如何导出EM算法（上)
17:47
10 EM算法（10）：EM算法的合理性——如何导出EM算法（下)
12:03
10 EM算法（11）：EM算法的合理性——EM算法的收敛性
18:55
10 EM算法（12）：高斯混合模型简介
07:45
10 EM算法（13）：高斯混合模型的E步
25:31
10 EM算法（14）：高斯混合模型的M步
23:27
10 EM算法（15）：广义的EM算法之F函数
16:52
10 EM算法（16）：GEM算法的理论准备——引理9.2的证明
08:50
10 EM算法（17）：GEM算法的理论准备——定理9.3的证明
09:12
10 EM算法（18）：GEM的三个算法详解
11:31
11 隐马尔可夫模型（1）：马尔可夫链的定义
10:31
11 隐马尔可夫模型（2）：马尔可夫模型的两要素
14:03
11 隐马尔可夫模型（3）：隐马尔可夫模型的三要素
13:48
11 隐马尔可夫模型（4）：隐马尔可夫模型的小栗子——三硬币模型（上）
11:03
11 隐马尔可夫模型（5）：隐马尔可夫模型的小栗子——三硬币模型（下）
11:45
11 隐马尔可夫模型（6）：隐马尔可夫模型的例题——盒子和球模型
10:52
11 隐马尔可夫模型（7）：概率计算算法之直接计算法
14:10
11 隐马尔可夫模型（8）：概率计算算法之前向算法（上）
10:57
11 隐马尔可夫模型（9）：概率计算算法之前向算法（下）
12:14
11 隐马尔可夫模型（10）：概率计算算法之后向算法（上）
09:57
11 隐马尔可夫模型（11）：概率计算算法之后向算法（中）
08:20
11 隐马尔可夫模型（12）：概率计算算法之后向算法（下）
13:23
11 隐马尔可夫模型（13）：概率计算算法的几个期望表达式
16:33
11 隐马尔可夫模型（14）：Baum-Welch算法（1）
08:39
11 隐马尔可夫模型（15）：Baum-Welch算法（2）
09:50
11 隐马尔可夫模型（16）：Baum-Welch算法（3）
09:13
11 隐马尔可夫模型（17）：Baum-Welch算法（4）
09:38
11 隐马尔可夫模型（18）：Baum-Welch算法（5）
13:04
11 隐马尔可夫模型（19）：Baum-Welch算法（6）
11:52
11 隐马尔可夫模型（20）：预测算法（1）
09:23
11 隐马尔可夫模型（21）：预测算法（2）——近似算法小栗子
05:15
11 隐马尔可夫模型（22）：预测算法（3）——维特比算法（上）
10:57
11 隐马尔可夫模型（23）：预测算法（4）——维特比算法（中）
12:56
11 隐马尔可夫模型（24）：预测算法（4）——维特比算法（下）
08:33
12 条件随机场（1）：条件随机场简介
11:40
12 条件随机场（2）：无向图是什么？
09:35
12 条件随机场（3-4）：马尔可夫性
17:39
12 条件随机场（5）：因子分解
17:36
12 条件随机场（6）：线性条件随机场的定义
15:41
12 条件随机场（7-9）：线性条件随机场的参数化形式
34:00
12 条件随机场（10-11）：条件随机场的简化形式
22:08
12 条件随机场（12）：线性条件随机场的矩阵形式
16:49
12 条件随机场（13）：概率计算问题（1）——到底计算什么概率
13:01
12 条件随机场（14）：概率计算问题（2）——前向后向算法
16:43
12 条件随机场（15）：概率计算问题（3）
15:26
12 条件随机场（16）：条件随机场学习算法之模型本质
14:04
12 条件随机场（17）：条件随机场学习算法之目标函数
11:42
12 条件随机场（18）：条件随机场学习算法之最速下降法与拟牛顿法
10:01
12 条件随机场（19-21）：迭代尺度法
57:10
12 条件随机场（22-23）：维特比算法
38:29
顶部