投稿

【机器学习】【白板推导系列】【合集 1～33】

191.3万

3.5万

2019-10-11 17:39:03

未经作者授权，禁止转载

机器学习-白板推导系列-合集

白板推导系列

Machine Learning

shuhuai008 发消息

弹幕列表

解锁AI新玩法，创作再也不受局限

9000+人感兴趣

(系列一) 绪论-资料介绍

19:15

(系列一) 绪论-频率派vs贝叶斯派

15:44

(系列二) 数学基础-概率-高斯分布1-极大似然估计

26:04

(系列二) 数学基础-概率-高斯分布2-极大似然估计-无偏VS有偏

20:28

(系列二) 数学基础-概率-高斯分布3-从概率密度角度观察

25:08

(系列二) 数学基础-概率-高斯分布4-局限性

13:58

(系列二) 数学基础-概率-高斯分布5-求边缘概率以及条件概率

29:44

(系列二) 数学基础-概率-高斯分布6-求联合概率分布

21:33

(系列三) 线性回归1-最小二乘法及其几何意义

25:13

(系列三) 线性回归2-最小二乘法-概率视角-高斯噪声-MLE

12:24

(系列三) 线性回归3-正则化-岭回归-频率角度

16:50

(系列三) 线性回归4-正则化-岭回归-贝叶斯角度

16:03

(系列四) 线性分类1-背景

18:29

(系列四) 线性分类2-感知机（Perceptron）

18:37

(系列四) 线性分类3-线性判别分析（Fisher）-模型定义

33:00

(系列四) 线性分类4-线性判别分析（Fisher）-模型求解

14:33

(系列四) 线性分类5-逻辑回归（Logistic Regression）

17:41

(系列四) 线性分类6-高斯判别分析（Gaussian Discriminant Analysis）-模型定义

18:25

(系列四) 线性分类7-高斯判别分析（Gaussian Discriminant Analysis）-模型求解（求期望）

17:08

(系列四) 线性分类8-高斯判别分析（Gaussian Discriminant Analysis）-模型求解（求协方差）

22:51

(系列四) 线性分类9-朴素贝叶斯分类器（Naive Bayes Classifer）

19:08

(系列五) 降维1-背景

18:15

(系列五) 降维2-样本均值&样本方差矩阵

17:40

(系列五) 降维3-PCA-最大投影方差

21:35

(系列五) 降维4-PCA-最小重构代价

22:40

(系列五) 降维5-SVD角度开看PCA和PCoA

21:08

(系列五) 降维6-主成分分析（PCA）-概率角度（Probabilistic PCA）

34:25

(系列六) 支持向量机1-硬间隔SVM-模型定义

25:16

(系列六) 支持向量机2-硬间隔SVM-模型求解-引出对偶问题

34:23

(系列六) 支持向量机3-硬间隔SVM-模型求解-引出KKT条件

14:55

(系列六) 支持向量机4-软间隔SVM-模型定义

15:32

(系列六) 支持向量机5-约束优化问题-弱队偶性证明

23:24

(系列六) 支持向量机6-约束优化问题-对偶关系之几何解释

36:46

(系列六) 支持向量机7-约束优化问题-对偶关系之Slater Condition

13:11

(系列六) 支持向量机8-约束优化问题-对偶关系之KKT条件

14:51

(系列七) 核方法1-背景介绍

24:06

(系列七) 核方法2-正定核-两个定义

28:24

(系列七) 核方法3-正定核-必要性证明

20:05

(系列八) 指数族分布1-背景

18:55

(系列八) 指数族分布2-背景续

10:30

(系列八) 指数族分布3-高斯分布的指数族形式

12:24

(系列八) 指数族分布4-对数配分函数与充分统计量

12:55

(系列八) 指数族分布5-极大似然估计与充分统计量

11:15

(系列八) 指数族分布6-最大熵角度(1)

13:37

(系列八) 指数族分布7-最大熵角度(2)

21:43

(系列九) 概率图模型1-背景介绍

25:13

(系列九) 概率图模型2-贝叶斯网络-条件独立性

26:45

(系列九) 概率图模型3-贝叶斯网络-D-Seperation

22:14

(系列九) 概率图模型4-贝叶斯网络-例子-具体模型

18:20

(系列九) 概率图模型5-马尔可夫随机场-Representation-条件独立性

19:24

(系列九) 概率图模型6-马尔可夫随机场-Representation-因子分解

12:11

(系列九) 概率图模型7-推断Inference-总体介绍

19:25

(系列九) 概率图模型8-推断Inference-Variable Elimination

24:20

(系列九) 概率图模型9-推断Inference-Variable Elimation To Belief Propagation

32:45

(系列九) 概率图模型10-推断Inference-Belief Propagation

17:06

(系列九) 概率图模型11-推断Inference-Max Product(1)

23:24

(系列九) 概率图模型12-推断Inference-Max-Product(2)

08:46

(系列九) 概率图模型13-概念补充-因子图-Factor Graph

17:01

(系列九) 概率图模型14-概念补充-道德图Moral Graph

18:47

(系列十) EM算法1-算法收敛性证明

19:10

(系列十) EM算法2-公式导出之ELBO+KL Divergence

16:55

(系列十) EM算法3-公式导出之ELBO+Jensen Inequlity

18:57

(系列十) EM算法4-再回首

10:06

(系列十) EM算法5-广义EM

24:48

(系列十) EM算法6-EM的变种

10:13

(系列十一) 高斯混合模型1-模型介绍

26:06

(系列十一) 高斯混合模型2-极大似然

19:38

(系列十一) 高斯混合模型3-EM求解-E-Step

25:10

(系列十一) 高斯混合模型4-EM求解-M-Step

23:48

(系列十二) 变分推断1-背景介绍

15:59

(系列十二) 变分推断2-公式推导

28:06

(系列十二) 变分推断3-再回首

33:05

(系列十二) 变分推断4-SGVI-1

26:40

(系列十二) 变分推断5-SGVI-2

21:37

(系列十三) MCMC1-采样方法介绍

30:10

(系列十三) MCMC2-马尔可夫链Markov Chain

27:02

(系列十三) MCMC3-MH算法-Metropolis-Hastings

23:42

(系列十三) MCMC4-吉布斯算法-Gibbs

15:01

(系列十三) MCMC5-回顾

25:16

(系列十三) MCMC6-平稳分布

45:07

(系列十三) MCMC7-采样思路以及面临的困难

36:45

(系列十四) 隐马尔可夫模型1-背景

24:24

(系列十四) 隐马尔可夫模型2-背景续

07:44

(系列十四) 隐马尔可夫模型3-前向算法

29:20

(系列十四) 隐马尔可夫模型4-后向算法

18:28

(系列十四) 隐马尔可夫模型5-Baum-Welch算法(EM)

25:51

(系列十四) 隐马尔可夫模型6-Decoding问题-V维特比算法-Viterbi

19:47

(系列十四) 隐马尔可夫模型7-小结-Filtering问题&Smoothing问题&Prediction问题1

21:46

(系列十四) 隐马尔可夫模型8-小结-Filtering问题&Smoothing问题&Prediction问题2

25:42

(系列十五) 线性动态系统1-背景介绍

16:28

(系列十五) 线性动态系统2-Filtering问题

27:27

(系列十五) 线性动态系统3-Filtering问题求解

15:12

(系列十六) 粒子滤波1-背景介绍

23:33

(系列十六) 粒子滤波2-Importance Sampling & SIS

33:26

(系列十六) 粒子滤波3-重采样

26:36

(系列十六) 粒子滤波4-SIR Filter

14:05

(系列十七) 条件随机场1-背景介绍

34:44

(系列十七) 条件随机场2-HMM VS MEMM

21:40

(系列十七) 条件随机场3-MEMM VS CRF

31:10

(系列十七) 条件随机场4-概率密度函数的参数形式

28:18

(系列十七) 条件随机场5-概率密度函数的向量形式

22:01

(系列十七) 条件随机场6-模型要解决的问题

14:14

(系列十七) 条件随机场7-边缘概率计算

40:07

(系列十七) 条件随机场8-Learning-参数估计

34:11

(系列十八) 高斯网络1-总体介绍

17:48

(系列十八) 高斯网络2-高斯贝叶斯网络介绍

27:28

(系列十八) 高斯网络3-高斯马尔科夫随机场

34:15

(系列十九) 贝叶斯线性回归1

15:52

(系列十九) 贝叶斯线性回归2

18:18

(系列十九) 贝叶斯线性回归3

28:32

(系列十九) 贝叶斯线性回归4

10:34

(系列十九) 贝叶斯线性回归5

08:35

(系列二十) 高斯过程回归1-简单介绍

24:25

(系列二十) 高斯过程回归2-权重空间角度

38:52

(系列二十) 高斯过程回归3-权重空间到函数空间

31:12

(系列二十) 高斯过程回归4-函数空间角度

24:18

(系列二十一) 受限玻尔兹曼机1-背景介绍-引出玻尔兹曼分布

14:07

(系列二十一) 受限玻尔兹曼机2-背景介绍-玻尔兹曼分布的形象解释

09:06

(系列二十一) 受限玻尔兹曼机3-模型表示

21:09

(系列二十一) 受限玻尔兹曼机4-模型表示-回顾

42:38

(系列二十一) 受限玻尔兹曼机5-推断-后验概率

43:20

(系列二十一) 受限玻尔兹曼机6-模型推断-边缘概率

23:26

(系列二十二) 谱聚类1-背景介绍

09:56

(系列二十二) 谱聚类2-模型介绍

26:21

(系列二十二) 谱聚类3-模型的矩阵形式-Indicator Vector

06:52

(系列二十二) 谱聚类4-模型的矩阵形式-对角矩阵

25:51

(系列二十二) 谱聚类5-Lapalacian Matrix

15:28

(系列二十三) 前馈神经网络1-从机器学习到深度学习

15:48

(系列二十三) 前馈神经网络2-从感知机到深度学习

18:35

(系列二十三) 前馈神经网络3-非线性问题的三种解决方法

25:51

(系列二十四) 直面配方函数1-The log-likelihood gradient

26:48

(系列二十四) 直面配分函数2-Stochastic Maximum Likelihood

28:31

(系列二十四) 直面配分函数3-What is CD(Contrastive Divergence)

15:26

(系列二十四) 直面配方函数4-The Name of Contrastive Divergence

15:26

(系列二十四) 直面配分函数5-The log-likelihood of Energy-based model with latent variable

22:08

(系列二十四) 直面配分函数6-The log-likelihood gradient of RBM

16:39

(系列二十四) 直面配方函数7-CD-k for RBM

09:20

(系列二十五) 近似推断1-介绍

18:57

(系列二十五) 近似推断2-推断即优化

12:19

(系列二十六) Sigmoid Belief Network1-背景介绍

16:34

(系列二十六) Sigmoid Belief Network2-gradient of log-likelihood

13:27

(系列二十六) Sigmoid Belief Network3-gradient of log-likelihood续

14:08

(系列二十六) Sigmoid Belief Network4-醒眠算法-介绍

20:43

(系列二十六) Sigmoid Belief Network5-醒眠算法-KL Divergence

17:55

(系列二十六) Sigmoid Belief Network6-醒眠算法-KL Divergence续

09:13

(系列二十七)深度信念网络1-背景介绍

23:08

(系列二十七)深度信念网络2-叠加RBM的动机

15:35

(系列二十七)深度信念网络3-叠加RBM可提高ELBO

14:47

(系列二十七)深度信念网络4-预训练

18:56

(系列二十八)玻尔兹曼机1-介绍

14:50

(系列二十八)玻尔兹曼机2-log似然的梯度

21:58

(系列二十八)玻尔兹曼机3-基于MCMC的梯度上升

24:11

(系列二十八)玻尔兹曼机4-条件概率推导

39:17

(系列二十八)玻尔兹曼机5-平均场推断1

03:27

(系列二十八)玻尔兹曼机6-平均场推断2

29:02

(系列二十八)玻尔兹曼机7-平均场推断3

14:34

(系列二十九)深度玻尔兹曼机1-背景介绍

17:50

(系列二十九)深度玻尔兹曼机2-预训练1-介绍

17:25

(系列二十九)深度玻尔兹曼机3-预训练2-double counting problem

19:50

(系列二十九)深度玻尔兹曼机4-预训练3-收尾

17:51

(系列三十)生成模型1-定义

06:51

(系列三十)生成模型2-监督VS非监督

27:19

(系列三十)生成模型3-表示&推断&学习

19:14

(系列三十)生成模型4-模型分类

17:59

(系列三十)生成模型5-概率图VS神经网络

21:08

(系列三十)生成模型6-重参数技巧

16:53

(系列三十一)生成式对抗网络1-例子

08:44

(系列三十一)生成式对抗网络2-数学描述

20:13

(系列三十一)生成式对抗网络3-全局最优解

25:23

(系列三十二)变分自编码器1-模型表示

17:23

(系列三十二)变分自编码器2-推断&学习

26:07

(系列三十三)Normalizing Flow1-模型表示

27:29

顶部