视频选集
（18/84）
[1.2.1]--1.1.1人工智能之模式识别
08:14
[1.2.2]--1.1.2模式识别的定义
07:18
[1.2.3]--1.1.3模式识别的广泛应用
06:03
[1.3.1]--1.2.1学习目标和学习内容
04:48
[1.3.2]--1.2.2学习方法和学习路径
03:02
[2.2.1]--2.1.1特征与特征空间
05:07
[2.2.2]--2.1.2有监督学习与无监督学习
06:14
[2.2.3]--2.1.3紧致性与维数灾难
06:11
[2.2.4]--2.1.4泛化能力与过拟合
03:38
[2.2.5]--2.1.5模式识别系统
05:57
[2.3.1]--2.2模式识别的算法体系
03:52
[2.4.1]--2.3.1问题：手写数字识别
07:19
[2.4.2]--2.3.2算法：从模板匹配开始
03:11
[2.5.1]--2.4算法实例演示：模板匹配
04:54
[3.2.1]--3.1.1线性判别和广义线性判别
09:23
[3.2.2]--3.1.2多分类线性判别
11:51
[3.2.3]--3.1.3线性判别函数的几何意义
05:30
[3.3.1]--3.2.1线性分类器训练的一般思路
09:23
[3.3.2]--3.2.2感知器算法的原理
12:26
[3.3.3]--3.2.3感知器算法的学习速率
05:34
[3.3.4]--3.2.4感知器算法的深入分析
15:21
[3.4.1]--3.3算法实例演示：线性分类器
04:13
[3.5.1]--3.4.1线性分类器的松弛求解
09:03
[3.5.2]--3.4.2H-K算法
11:37
[3.6.1]--3.5.1支持向量机的原理
11:02
[3.6.2]--3.5.2结构风险最小化准则
12:12
[3.6.3]--3.5.3线性不可分时的SVM之一软间隔支持向量机
09:37
[3.6.4]--3.5.4线性不可分时的SVM之二非线性支持向量机
11:59
[3.7.1]--3.6算法实例演示：支持向量机
07:33
[4.2.1]--4.1.1逆概率推理与贝叶斯公式
10:00
[4.2.2]--4.1.2贝叶斯分类的原理
10:07
[4.2.3]--4.1.3几种常用的贝叶斯分类器
21:28
[4.2.4]--4.1.4正态分布下的贝叶斯分类
20:38
[4.2.5]--4.1.5贝叶斯分类的错误率
04:56
[4.3.1]--4.2.1贝叶斯分类器的训练
04:22
[4.3.2]--4.2.2极大似然估计和贝叶斯估计
08:45
[4.4.1]--4.3算法实例演示：贝叶斯分类器
04:20
[4.5.1]--4.4.1最近邻规则和最近邻分类器
12:20
[4.5.2]--4.4.2K近邻算法及其优化
14:03
[4.6.1]--4.5算法实例演示：最近邻算法
03:44
[5.2.1]--5.1.1特征降维的主要方法
16:12
[5.2.2]--5.1.2类别可分性度量
11:37
[5.3.1]--5.2.1特征提取算法
06:38
[5.3.2]--5.2.2特征选择算法
17:03
[6.2.1]--6.1.1数据聚类的定义
11:11
[6.2.2]--6.1.2数据聚类的特点
10:19
[6.2.3]--6.1.3数据聚类的应用
03:44
[6.2.4]--6.1.4数据聚类的流程
10:56
[6.3.1]--6.2.1试探法聚类
07:22
[6.3.2]--6.2.2层次法聚类
11:36
[6.3.3]--6.2.3动态聚类算法
16:48
[6.4.1]--6.3算法实例：k均值聚类
03:51
[7.2.1]--7.1.1组合分类器的概念
08:39
[7.2.2]--7.1.2组合分类器的主要类型
07:16
[7.3.1]--7.2.1随机森林算法
08:33
[7.3.2]--7.2.2Adaboost算法
14:54
[7.4.1]--7.3算法实例演示：Adaboost
04:48
[7.5.1]--7.4算法实例演示：随机森林
04:32
[8.2.1]--8.1.1模糊集合的定义及基本运算
16:05
[8.2.2]--8.1.2模糊关系及模糊矩阵
10:00
[8.3.1]--8.2.1模糊模式识别的算法体系
02:11
[8.3.2]--8.2.2最大隶属度识别法
05:36
[8.3.3]--8.2.3择近原则识别法
06:39
[8.3.4]--8.2.4模糊聚类算法
10:01
[8.4.1]--8.3算法实例演示：模糊k均值聚类
04:04
[9.2.1]--9.1.1人工神经元模型
09:55
[9.2.2]--9.1.2人工神经元网络
14:06
[9.2.3]--9.1.3人工神经元的学习规则
14:53
[9.2.4]--9.1.4人工神经网络的学习规则
11:01
[9.3.1]--9.2.1感知器网络
11:24
[9.3.2]--9.2.2BP网络
18:25
[9.4.1]--9.3算法实例演示：BP算法
03:47
[9.5.1]--9.4.1深度学习的概念与特点
09:02
[9.5.2]--9.4.2深度信念网络的结构
04:54
[9.5.3]--9.4.3深度信念网络的训练
18:54
[9.5.4]--9.4.4卷积神经网络的原理
14:06
[9.5.5]--9.4.5卷积神经网络的结构与训练
13:22
[9.6.1]--9.5算法实例演示：CNN
07:00
[10.2.1]--10.1.1结构模式识别的基本概念
10:14
[10.2.2]--10.1.2结构模式识别的主要方法
11:20
[10.3.1]--10.2.1形式语言理论的基本概念
07:13
[10.3.2]--10.2.2四种文法类型
10:51
[10.4.1]--10.3句法分析方法
10:56
[10.5.1]--10.4算法实例演示：句法识别
04:46
顶部