開(kāi)篇詞 | 打通修煉機(jī)器學(xué)習(xí)的任督二脈
01 | 頻率視角下的機(jī)器學(xué)習(xí)
02 | 貝葉斯視角下的機(jī)器學(xué)習(xí)
03 | 學(xué)什么與怎么學(xué)
04 | 計(jì)算學(xué)習(xí)理論
05 | 模型的分類(lèi)方式
06 | 模型的設(shè)計(jì)準(zhǔn)則
07 | 模型的驗(yàn)證方法
08 | 模型的評(píng)估指標(biāo)
09 | 實(shí)驗(yàn)設(shè)計(jì)
10 | 特征預(yù)處理
11 | 基礎(chǔ)線性回歸：一元與多元
12 | 正則化處理：收縮方法與邊際化
13 | 線性降維：主成分的使用
14 | 非線性降維：流形學(xué)習(xí)
15 | 從回歸到分類(lèi)：聯(lián)系函數(shù)與降維
16 | 建模非正態(tài)分布：廣義線性模型
17 | 幾何角度看分類(lèi)：支持向量機(jī)
18 | 從全局到局部：核技巧
19 | 非參數(shù)化的局部模型：K近鄰
20 | 基于距離的學(xué)習(xí)：聚類(lèi)與度量學(xué)習(xí)
21 | 基函數(shù)擴(kuò)展：屬性的非線性化
22 | 自適應(yīng)的基函數(shù)：神經(jīng)網(wǎng)絡(luò)
23 | 層次化的神經(jīng)網(wǎng)絡(luò)：深度學(xué)習(xí)
24 | 深度編解碼：表示學(xué)習(xí)
25 | 基于特征的區(qū)域劃分：樹(shù)模型
26 | 集成化處理：Boosting與Bagging
27 | 萬(wàn)能模型：梯度提升與隨機(jī)森林
總結(jié)課 | 機(jī)器學(xué)習(xí)的模型體系
28 | 最簡(jiǎn)單的概率圖：樸素貝葉斯
29 | 有向圖模型：貝葉斯網(wǎng)絡(luò)
30 | 無(wú)向圖模型：馬爾可夫隨機(jī)場(chǎng)
31 | 建模連續(xù)分布：高斯網(wǎng)絡(luò)
32 | 從有限到無(wú)限：高斯過(guò)程
33 | 序列化建模：隱馬爾可夫模型
34 | 連續(xù)序列化模型：線性動(dòng)態(tài)系統(tǒng)
35 | 精確推斷：變量消除及其拓展
36 | 確定近似推斷：變分貝葉斯
37 | 隨機(jī)近似推斷：MCMC
38 | 完備數(shù)據(jù)下的參數(shù)學(xué)習(xí)：有向圖與無(wú)向圖
39 | 隱變量下的參數(shù)學(xué)習(xí)：EM方法與混合模型
40 | 結(jié)構(gòu)學(xué)習(xí)：基于約束與基于評(píng)分
總結(jié)課 | 貝葉斯學(xué)習(xí)的模型體系
結(jié)課 | 終有一天，你將為今天的付出驕傲
