• 投稿

【机器学习】【白板推导系列】【合集 1～33】

191.4万
3.5万
2019-10-11 17:39:03
未经作者授权，禁止转载
3.9万
4.9万
11.2万
1.4万
机器学习-白板推导系列-合集
白板推导系列
人工智能
机器学习
Machine Learning
AI
视频教程
公开课
shuhuai008 发消息
弹幕列表
视频选集
（8/172）
(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

【B站AI论坛】欢迎写代码、做产品的AI开发者发帖加入
共建AI开发者交流地>>

机器学习-白板推导系列(二)-数学基础
shuhuai008
12.6万 1555

【机器学习白板推导】微积分、概率论、支持向量机、决策树、贝叶斯算法、聚类分析、回归算法、生成对抗网络等难懂的机器学习算法一网打尽！—人工智能/机器学习/高等数学
机器学习课堂
2.3万 10

南京大学周志华教授亲讲！大佬终于把机器学习讲的如此通俗易懂！学习视频教程分享给大家！_附教材电子版本（人工智能/神经网络/深度学习/python/计算机视觉）
机器学习教程
4.1万 19

机器学习-白板推导系列(十五)-线性动态系统-卡曼滤波（Kalman Filter）
shuhuai008
2.8万 210

【2025】机器学习白板推导，完整版200集，附视频配套书籍PDF，涵盖高斯分布、线性回归、支持向量机、隐马尔可夫、概率图模型、数学基础等，比刷剧还爽！！！
具身智能入门教程
3348 16

躺懂XGBoost，学不会来打我（doge）
老弓的学习日记
34.2万 1691

【机器学习中的数学基础】不愧是北航教授，3小时就把导师三年没让我搞明白的人工智能机器学习讲明白了！简直让我茅塞顿开！-人工智能//机器学习算法
是桂不是zzzl
3.7万 169

【数之道】支持向量机SVM是什么，八分钟直觉理解其本质
FunInCode
45.8万 538

【斯坦福大学】CS229 机器学习 · 2018年（完结·中英字幕·机翻）
鬼谷良师
29.1万 2650

【2025深度学习】不愧是3Blue1Brown大神！把机器学习、神经网络、CNN、Transformer、反向传播、梯度下降、贝叶斯等核心知识点一口气全讲透了
学AI的沐沐
15.0万 228

【强推】李宏毅2021机器学习深度学习(附作业讲解)
ai_ai360
10.7万 288

林轩田机器学习基石(国语)
爱可可-爱生活
43.9万 8004

《PyTorch深度学习实践》完结合集
刘二大人
235.3万 3.3万

时隔一年半，吴恩达亲授最新AI课程汇总(4集全)：初学者的AI+PYTHON---AI Python for Beginners
吴恩达AI课程研究院
58.5万 103

机器学习期末考试速成（大题）-02朴素贝叶斯
自于自乐_
28.3万 276

8年经验告诉你，学AI的顺序千万别搞反了！两个月从零入门深度学习+AI各学科自学路线图初学者必看，少走弯路！！！AI人工智能/深度学习/机器学习
唐宇迪AI入门课
28.9万 492

【全195集】禁止自学走弯路！回归算法、聚类算法、决策树、随机森林、神经网络、贝叶斯算法、支持向量机等十大机器学习算法一口气学完！
大模型教程
16.0万 307

机器学习-白板推导系列(二十)-高斯过程GP(Gaussian Process)
shuhuai008
10.8万 923

这也太全了！回归算法、聚类算法、决策树、随机森林、神经网络、贝叶斯算法、支持向量机等十大机器学习算法一口气学完！
迪哥AI课堂
138.9万 4799

机器学习期末题库复习
平成最强假面骑士
7.8万 44
展开
参与活动赢取小小英雄
客服
顶部
赛事库 课堂 2021拜年纪