图解教材:概率机器学习（Murphy)
图解的教材是机器学习的经典但1000多页。。。
Machine Learning: A Probabilistic Approach （Murphy)
希望通过图解视频形式能和大家把它一起读下来！
非常欢迎大家来提问和指正，我会通过视频和评论来回复，做迭代和更新，实现查漏补缺和纠错
视频选集
（1/72）
教材与笔记的针对人群
00:44
如何理解probabilistic approach
02:01
为什么要学习机器学习和采用probabilistic approach
02:30
如何理解大数据和它的long tail
02:27
监督学习supervised learning 快速梳理
01:34
无监督学习unsupervised learning 快速梳理
02:06
强化学习reinforcement learning 快速梳理
00:51
监督学习案例抽象提炼
02:22
classification快速梳理
02:20
从概率角度描述分类模型
06:48
分类问题常见案例
07:38
从概率角度简单梳理unsupervised learning
07:21
从概率角度简单梳理clustering
07:04
简单梳理latent factors dimension reduction PCA
04:29
简单梳理graph structure
03:09
简单梳理matrix completion图片填补电影推荐购物清单
07:40
什么是parametric nonparametric model
00:58
从概率角度理解KNN
06:38
什么是parametric nonparametric model
00:58
如何用gaussian distribution 来描述linear和nonlinear regression
09:29
如何用bernoulli distribution 来描述logistic regression
07:07
什么是overfitting
02:43
如何理解model selection
05:47
如何理解No free lunch theorem
03:13
对于概率的2种理解方式
02:57
什么是discrete random variable PMF indicator function
05:54
概率的fundamental rules
05:34
如何理解bayes theorem和cancer检测结果的误解分析
09:33
generative classifier 与discriminative classifier的简单区别
01:07
什么是unconditional 和 conditional independence
04:02
如何理解continous random variable CDF PDF
08:42
从概率分布角度理解quantiles
05:01
从概率角度理解均值方差标准差
06:18
如何理解binomial and bernoulli distribution
09:10
简单理解multinomial和multinoulli distribution
06:30
如何理解poisson distribution
02:50
简单梳理empirical distribution
02:12
简单梳理gaussian distribution
06:53
简单梳理degenerate pdf 和student t distribution
08:44
简单梳理laplace distribution
03:40
简单梳理gamma distribution
05:35
简单梳理beta distribution
02:42
简单梳理pareto distribution
04:43
简单梳理joint probability distribution
02:11
简单梳理covariance and correlation
07:46
简单梳理multivariate gaussian
03:06
简单梳理dirichlet distribution
05:37
简单梳理linear transformation
02:01
简单梳理general transformation
04:19
简单梳理multivariate change of variables
05:20
简单梳理central limit theorem
03:02
简单梳理Monte Carlo Approximation
04:16
简单梳理Monte Carlo Approximation on pi
02:52
简单梳理accuracy of Monte Carlo Approximation
04:04
简单梳理information theory and ML
02:05
简单理解entropy
04:08
简单理解KL divergence
03:16
简单理解mutual information
04:37
简单理解mutual information on continuous variables
05:56
第三章generative models for discrete data
01:43
Bayesian Concept Learning只用positive example来学习
10:44
likelihood 和 occam razor帮助挑选最优模型
08:02
Prior的能力 on hypotheses space和rapid learning
05:54
如何理解posterior likelihood 和prior之间的关系
20:15
什么是posterior predictive distribution
11:44
什么是complex prior
01:27
beta binomial model 开启
01:26
likelihood on Bernoulli and Binomial
02:56
什么是beta distribution
03:15
粗略理解posterior on binomial and beta distribution
06:24
posterior mean and mode与prior和likelihood的关系
05:27
简单理解Beta posterior variance
03:38
顶部