视频选集
（159/190）
【食用须知】
15:52
0000机器学习视频说明
11:06
0101绪论基本概念
09:05
0102假设空间归纳偏好
03:09
0201模型评估与选择
02:20
0202经验误差与过拟合
03:06
0203测试集分割留出法
05:33
0204K折交叉验证
01:35
0205测试集分割自助法
03:05
0206验证集
02:27
0207均方误差
04:56
0208错误率与精确度公式
03:15
0209查准率与查全率
03:48
0210P-R反向关系原理
07:58
0211P-R反向关系图像与F1
05:16
0212P-R加权调和平均Fbeta
02:10
0213macro_microP-R
03:34
0214使用P-R曲线比较不同模型
02:54
0215ROC曲线
05:07
0216排序损失rank-loss
02:37
0217AUC与rank-loss
05:43
0218代价敏感曲线引入
05:51
0219代价曲线思路
06:11
0220实例说明一个阈值对应一条直线
11:08
0221多条直线围成代价敏感曲线
08:07
0222横纵轴归一化说明
04:21
0223假设检验目的
02:05
0224泛化问题与概率论课程推荐
03:28
0225二项分布【这部分群里也没代码自己敲】
04:05
0226代码实现二项分布【这部分群里也没代码自己敲】
04:51
0227假设检验举例e=0.3【这部分群里也没代码自己敲】
03:10
0228假设e_0大于等于0.3【这部分群里也没代码自己敲】
03:24
0229多个测试集一种算法的假设检验
05:41
0230第二章先到这吧溜了溜了
01:54
0301线性回归开始了哈哈
02:34
0302线性关系基本模式
04:02
0303一元线性回归
04:03
0304线性函数矩阵表示法
04:50
0305一元矩阵w偏导
06:00
0306一元矩阵对b求偏导
01:32
0307多元线性回归
03:46
0308求导没推给个例子
01:21
0309对数线性回归与广义线性回归
01:28
0310对数或逻辑线性回归
05:39
0311线性判别分析LDA与多分类学习略
02:02
0312类别不平衡问题
02:28
0313梯度下降法
04:12
0314批量梯度下降
02:46
0315随机梯度下降
01:30
0316学习率局部最优全局最优
04:49
0317_【重制】逻辑回归
01:59
0318_【重制】逻辑回归的目标与核心问题
05:05
0319_【重制】sigmoid的诞生
13:44
0401决策树基本形式与本章安排
07:09
0401信息熵：什么是信息什么是熵
03:22
0402熵的度量：均匀分布
03:48
0403熵的度量：一般分布
03:42
0404信息的度量：信息增益
02:54
0405决策树ID3算法举例：好坏西瓜
06:39
0406好坏西瓜继续分叉
02:01
0407增益率简述
03:03
0408决策树CART算法基尼指数
04:47
0409基尼指数计算：第一次分叉
02:12
0410基尼指数计算：第二次分叉
01:02
0411基尼指数计算：第三次分叉与分叉终止
01:58
0412CART算法回归树
04:18
0413剪枝处理
05:59
0414预剪枝一
02:22
0415预剪枝二
03:23
0416后剪枝
03:49
0417连续值C4.5二分法信息增益最大准则
03:11
0418决策树缺失值处理
04:41
0419多变量决策树阅读资料
02:42
0501_【补充】内容简介
01:01
0502_【补充】熵的针对的问题与要求
04:30
0503_【补充】信息熵公式来源推导
09:33
0504_【补充】信息熵公式推导
06:34
0505_【补充】信息熵公式的理解
10:29
0506_【补充】信息熵的性质与总结
05:06
0507_【补充】联合熵 joint entropy
03:43
0513_神经网络基本单位
04:09
0514_感知器
04:28
0515_多层神经网络
06:51
0600_【重制】支持向量机讲解大纲
01:21
0601_【重制】支持向量机感知器模型
10:03
0602_【重制】支持向量机的分类
01:34
0603_【重制】线性可分支持向量机
11:16
0604_【重制】线性可分支持向量机求解
11:32
0605_【重制】线性支持向量机与松弛因子
10:32
0606_【重制】非线性支持向量机
05:26
0609_【补充】拉格朗日乘子法1：极值点目标与约束相切
01:59
0610_【补充】拉2：梯度与等高线的切线垂直
02:28
0611_【补充】拉3：有限值条件的极值问题转化为求解等式方程问题
02:55
0612_【补充】拉4：形式推广
03:44
0701贝叶斯分类器综述
01:14
0702贝叶斯定理_一个应用
03:06
0703贝叶斯定理
02:03
0704预热_一个半朴素贝叶斯的例子
02:06
0705贝叶斯决策论
03:57
0706最大似然估计
00:59
0707极大似然估计_一次实验
01:51
0708极大似然估计_多次实验
02:46
0709极大似然估计_公式与取对数
01:28
0710朴素贝叶斯分类器
04:14
0711拉普拉斯修正
01:26
0712EM算法
03:17
0713求助_半朴素贝叶斯分类器与贝叶斯网
00:30
0801集成学习
04:12
0802集成学习的威力
01:21
0803AdaBoost原理看个例子包懂
03:49
0804AdaBoost算法代码实现
02:58
0805AdaBoost简单函数封装
11:25
0806AdaBoost循环封装
07:24
0807Gradient_boosting简述
01:08
0809Gradient_Boosting效果
00:51
0810训练样本不同来实现好而不同的不同
01:27
0811抽样的考虑
01:29
0812Bagging自助抽样
01:34
0813Bagging外包估计
01:10
0814Bagging代码示例
02:36
0815随机森林
01:48
0816结合策略：平均法
01:39
0817结合策略：投票法
04:30
0818结合策略：学习法
02:13
0819多样性
01:07
0901聚类
03:41
0902性能度量
00:58
0903外部指标
06:14
0904内部指标
10:01
0905距离度量与非距离度量
02:19
0906距离度量_有序数据
04:19
0907距离度量_无序数据
02:27
0908距离度量_混合与加权
01:34
0909K均值
02:09
0910K-mean动图
00:28
0911学习向量量化
01:31
0912密度聚类
04:47
0913层次聚类
03:37
0914高斯混合聚类_多元高斯分布
07:50
0915高聚代码_多元高斯分布
07:34
0916高聚代码_第一次迭代
08:01
0917高聚代码_alpha与mu的更新
03:08
0918高聚代码_sigma更新与全部整合
02:38
0919不同聚类算法效果 对比
00:57
1001k近邻学习
01:41
1002维数灾难现象
08:35
1003n维超立方体边界问题
10:37
1004n维超立方体内接球
02:24
1005n维空间样本密度与样本数
00:48
1006降维方法分类
02:40
1007PCA在干什么
08:37
1008KPCA思路
05:10
1009KPCA协方差矩阵与特征向量推导
08:27
1010核矩阵与核函数
02:47
1011核矩阵的特征向量
03:22
1012利用核函数直接求Y
02:09
1013核方法深入研究建议
02:56
1014什么是流形
01:40
1015Isomap等度量映射
04:50
1016LLE局部线性嵌入
01:25
1017度量学习
03:25
1101特征选择与稀疏学习
03:43
1102子集搜索
02:58
1103子集评价
00:47
1104特征选择概述
01:50
1105过滤式选择Filter-Relief
03:04
1106包裹式选择Wrapper
03:00
1107嵌入式选择Embedded
01:21
1108正则化
07:10
1301半监督学习
07:04
1302生成式方法
11:39
1303代码_生成式方法
03:41
1305_代码_生成式方法改
00:25
1306图半监督学习
10:21
1307传播矩阵的确定
04:24
1308加权的传播矩阵
08:48
1309迭代计算
02:31
1310二分类问题直接求解Fu
08:03
1311sklearn手写数字识别案例
04:55
1312sklearn_label_propagation
07:37
1313sklearn_lable_spreading案例
02:08
1314主动学习案例
02:13
1315sklearn图半监督与svm对比
01:45
1316半监督SVM
04:08
1317基于分歧的方法
05:31
1318半监督聚类
00:58
1401隐马尔科夫模型
05:18
1402隐马尔可夫模型
06:44
1403维比特算法
05:07
1404案例代码
01:12
顶部