(强推)浙江大学-机器学习
正在缓冲...
baidu.com
人工智能技术探讨群：571218304，不定期分享干货与参与大厂讲座的机会(抽奖+兼职)，点赞关注一起进步啦啦。
该2021课程比20安排更多，内容更新哦。
置顶学生评价:"相比于很多人吹捧的吴恩达的机器学习课程，我觉得胡教授的对新手和初学者更为友好，更让人容易懂，是不可多得的精品。毫不夸张的说，胡教授在国内的机器学习教学领域如同一个传火者，星星之火，可以燎原。“
上过胡教授早期机器学习视频的同学很多又在慕课追了一遍。
视频选集
（1/113）
自动连播
[1.1.1]--机器学习定义
09:38
[1.2.1]--机器学习的分类
10:52
[1.3.1]--机器学习算法的过程
12:39
[1.4.1]--没有免费午餐定理
09:37
[1.5.1]--总结
05:36
[2.1.1]--支持向量机（线性可分定义）
09:49
[2.2.1]--支持向量机（问题描述）
08:07
[2.3.1]--支持向量机（优化问题）
13:33
[2.4.1]--支持向量机（线性不可分情况）
09:32
[2.5.1]--支持向量机（低维到高维的映射）
07:25
[2.6.1]--支持向量机（核函数的定义）
09:46
[2.7.1]--支持向量机（原问题和对偶问题）
08:12
[2.8.1]--支持向量机（转化为对偶问题）
08:38
[2.9.1]--支持向量机（算法流程）
08:26
[2.10.1]--支持向量机（兵王问题描述）
08:00
[2.11.1]--支持向量机（兵王问题程序设计）
08:39
[2.12.1]--支持向量机（兵王问题MATLAB程序）
16:26
[2.13.1]--支持向量机（识别系统的性能度量）
15:30
[2.14.1]--支持向量机（多类情况）
09:37
[3.1.1]--人工神经网络（神经元的数学模型）
10:13
[3.2.1]--人工神经网络（感知器算法）
18:50
[3.3.1]--人工神经网络（感知器算法的意义）
10:44
[3.4.1]--人工神经网络（第一次寒冬）
09:54
[3.5.1]--人工神经网络（多层神经网络）
14:35
[3.6.1]--人工神经网络（梯度下降算法）
15:27
[3.7.1]--人工神经网络（后向传播算法上）
14:02
[3.8.1]--人工神经网络（后向传播算法下）
11:02
[3.9.1]--人工神经网络（后向传播算法的应用）
18:22
[3.10.1]--人工神经网络（兵王问题MATLAB程序）
10:00
[3.11.1]--人工神经网络（参数设置）
11:44
[4.1.1]--深度学习（历史发展）
12:20
[4.2.1]--深度学习（自编码器）
07:19
[4.3.1]--深度学习（卷积神经网络LENET）
16:22
[4.4.1]--深度学习（卷积神经网络ALEXNET）
12:04
[4.5.1]--深度学习的编程工具PYTORCH
06:20
[4.6.1]--深度学习的编程工具Tensorflow
09:37
[4.7.1]--深度学习的编程工具CAFFE
13:10
[4.8.1]--深度学习（近年来流行的卷积神经网络）
11:24
[4.9.1]--人脸识别介绍
13:57
[4.10.1]--目标检测与分割上
12:52
[4.11.1]--目标检测与分割下
12:00
[4.12.1]--时间序列的深度学习模型（RNN和LSTM）
14:50
[4.13.1]--生成对抗网络
11:48
[5.1.1]--强化学习（Q-Learning和epsilon-greedy算法
16:51
[5.2.1]--强化学习（深度强化学习）
09:38
[5.3.1]--强化学习(policygradient和actor-critic
10:48
[5.4.1]--强化学习(AlphaGo上）
13:54
[5.5.1]--强化学习(AlphaGo下）
10:28
[6.1.1]--ADABOOST
15:33
[6.2.1]--人工智能中的哲学
12:39
[6.3.1]--主成分分析
17:23
[6.4.1]--K-均值聚类
12:20
[6.5.1]--高斯混合模型
13:01
往年现场版-教科书介绍
06:31
成绩安排
17:44
概念介绍
10:20
这门课程的内容概述
17:36
没有免费午餐定理
20:41
支持向量机（线性模型）问题
20:05
支持向量机（线性模型）数学描述
38:28
支持向量机（线性模型）的图像展示
01:33
支持向量机(非线性模型)优化目标函数和限制条件
11:29
支持向量机（非线性模型） 低维到高维映射
28:28
支持向量机（非线性模型）原问题和对偶问题
30:51
支持向量机-将支持向量机原问题转化为对偶问
57:33
支持向量机 – 核函数介绍
07:36
支持向量机的应用 -- 兵王问题（规则介绍）
10:44
支持向量机的应用 – 兵王问题 （参数设置）
31:51
支持向量机的应用 – 兵王问题 （测试结果）
04:23
ROC曲线
18:19
支持向量机 – 处理多类问题
11:58
人工神经网络 – 神经元的数学模型
17:27
人工神经网络 – 感知器算法
38:58
人工神经网络 – 人工智能的第一次寒冬
15:07
人工神经网络 – 多层神经网络
11:44
人工神经网络—三层神经网络可以模拟任意决策面
15:54
人工神经网络—后向传播算法
01:29:55
人工神经网络 – 参数设置
01:22:15
深度学习数据库准备
18:00
深度学习自编码器
23:42
深度学习 卷积神经网络LeNet
01:18:45
深度学习 – 卷积神经网络（AlexNet）
39:22
深度学习 – 编程工具（Caffe和Tensorflow）
29:32
深度学习 – 近年来流行的网络结构
19:05
深度学习 – 卷积神经网络的应用
18:40
AlphaGo (围棋有必胜策略的证明)
08:58
强化学习Q-learning
01:18:08
强化学习(policy gradience)
19:23
增强学习_(AlphaGo)
23:25
特征提取 – 主成分分析（PCA）
01:13:04
特征选择 – 自适应提升（AdaBoost）
01:11:15
目标检测 （RCNN和FCN）
57:25
概率分类法概述
19:54
概率密度估计 – 朴素贝叶斯分类器
16:41
概率密度估计 – 高斯密度函数
31:06
概率密度估计 – 高斯混合模型
03:47
EM算法（高斯混合模型和K-均值算法）
48:44
K-均值算法在图像压缩方面的应用
05:16
高斯混合模型在说话人识别方面的应用
23:49
EM算法（收敛性证明）
39:24
语音识别概述
07:27
隐含马尔科夫过程
01:29:00
大词汇量连续语音识别介绍
35:15
循环神经网络（RNN）和LSTM
39:42
人工智能中的哲学 缸中之脑
09:05
人工智能中的哲学 意识问题
13:04
人工智能中的哲学 图灵测试
04:17
人工智能中的哲学 世界是否有规律
05:38
人工智能中的哲学 中文屋子假想试验
07:03
人工智能中的哲学 创造力和洞穴理论
14:00
人工智能中的哲学-生成对抗网络
15:41
人工智能中的哲学-道德难题
09:37
人工智能中的哲学未来展望
04:58
顶部