投稿

【THU深圳研究院】大数据机器学习（袁老师）

9138

1

2019-09-21 18:25:22

《大数据机器学习》课程是面向信息学科的高年级本科生或研究生开设的基础理论课，目的是培养学生深入理解大数据机器学习理论基础，牢固掌握大数据机器学习方法，并能够解决实际问题等综合能力。课程的主要内容包括：统计学习基本理论，机器学习基本方法，深度学习理论和方法。视频具体来源未知，视频仅供个人学习交流，如有侵权私信我删除！

MACHINELEARNING

逆风微笑的代码狗发消息

莫道桑榆晚,为霞尚满天

cp粉唯粉，谁高人一等？

顾得猫宁拜

1.1 机器学习定义和典型应用

10:03

1.2 机器学习和人工智能的关系

01:36

1.3 深度学习方法和其它人工智能方法的共性和差异

01:42

1.4 机器学习和数据挖掘的关系

01:27

1.5 机器学习和统计学习的关系

01:10

1.6 机器学习的发展历程

03:17

1.7 大数据机器学习的主要特点

09:13

2.1 机器学习的基本术语

05:32

2.2 监督学习

01:51

2.3 假设空间

01:59

2.4 学习方法三要素

03:49

2.5 奥卡姆剃刀定理

00:54

2.6 没有免费的午餐定理

03:44

2.7 训练误差和测试误差

00:50

2.8 过拟合与模型选择

06:09

2.9 泛化能力

01:47

2.10 生成模型和判别模型

01:43

3.1 留出法

03:22

3.2 交叉验证法

00:37

3.3 自助法

02:06

3.4 性能度量

06:24

3.5 PR曲线

04:31

3.6 ROC和AUC曲线

01:28

3.7 代价敏感错误率

02:50

3.8 假设检验

05:19

3.9 T检验

02:01

3.10 偏差和方差

04:04

4.1 感知机模型

04:58

4.2 感知机学习策略

02:29

4.3 感知机学习算法

17:19

5.1 原型聚类描述

03:44

5.2 性能度量

10:54

5.3.1 原型聚类 k均值算法

04:59

5.3.2 原型聚类学习向量算法

04:56

5.3.3 原型聚类密度聚类

04:50

5.3.4 原型聚类层次聚类

03:23

6.1 综述

00:35

6.2 概率图模型

03:19

6.3 贝叶斯网络

12:13

6.4 朴素贝叶斯分类器

05:00

6.5 半朴素贝叶斯分类器

24:19

6.6 贝叶斯网络结构学习推断

01:17

6.7 吉布斯采样

03:18

7.1 本章简介

00:30

7.2 决策树模型与学习基本概念

15:30

7.3 信息量和熵

10:25

7.4 决策树的生成

13:43

7.5 决策树的减枝

04:42

7.6 CART算法

15:38

7.7 随机森林

05:31

8.1 本章简介

03:31

8.2 逻辑斯谛回归模型

07:37

8.3 最大熵模型

19:08

8.4 模型学习的最优化方法

21:31

9.1 本章简介

00:48

9.2 SVM简介

06:46

9.3 线性可分支持向量机

08:47

9.4 凸优化问题的基本概念

20:30

9.5 支持向量的确切定义

04:00

9.6 线性支持向量机

09:16

10.1 本章简介

03:43

10.2 泛函基础知识

21:24

10.3 核函数和非线性支持向量机

14:27

10.4 序列最小最优化算法

16:03

11.1 本章简介

02:00

11.2 k近邻学习

03:58

11.3 降维嵌入

12:27

11.4 主成分分析

08:50

11.5 核化线性降维

05:06

11.6 流型学习和度量学习

18:16

12.1 提升方法Adaboost算法

20:39

12.2 Adaboost算法的训练误差分析

04:32

12.3 Adaboost算法的解释

04:39

12.4 Adaboost的实现

13:28

13.1 本章简介

01:30

13.2 问题提出

02:24

13.3 EM算法的引入

19:14

13.4 EM算法的收敛性

04:17

13.5 EM算法在高斯混合模型学习中的应用

07:12

13.6 EM算法的推广

05:42

14.1 本章简介

01:48

14.2 计算学习理论的基础知识

07:28

14.3 概率近似正确学习理论

11:50

14.4 有限假设空间

10:09

14.5 VC维

10:31

14.6 学习稳定性

06:13

15.1 本章简介

01:11

15.2 隐马尔科夫模型的基本概念

12:10

15.3 概率计算算法

15:16

15.4 学习算法

10:31

15.5 预测算法

13:17

16.1 本章简介

07:06

16.2 概率无向图模型

08:23

16.3 条件随机场的定义与形式

17:03

16.4 条件随机场的计算问题

04:29

16.5 条件随机场的学习算法

06:48

16.6 条件随机场的预测算法

08:15

17.1 本章简介

02:12

17.2 精确推断法：变量消去法和信念传播法

11:35

17.3 近似推断法：MCMC和变分推断

21:00

18.2 神经网络的基本概念以及常见的神经网络(一）

16:10

18.3 神经网络的基本概念以及常见的神经网络(二）

25:25

18.4 玻尔兹曼机

06:09

18.5 深度学习

07:05

19.1 深度学习简介和架构设计

06:58

19.2 计算图形式的反向传播算法

08:29

19.3 深度学习的正则化方法（一）

25:51

19.4 深度学习的正则化方法（二）

27:12

20.1 深度学习的优化问题

18:03

20.2 神经网络优化的挑战

14:34

20.3 神经网络的优化算法

12:01

20.4 相关策略

23:58

顶部