1.开篇词
开篇词 _ 打通修炼机器学习的任督二脉
2.机器学习概观
01 _ 频率视角下的机器学习
02 _ 贝叶斯视角下的机器学习
03 _ 学什么与怎么学
04 _ 计算学习理论
05 _ 模型的分类方式
06 _ 模型的设计准则
07 _ 模型的验证方法
08 _ 模型的评估指标
09 _ 实验设计
10 _ 特征预处理
3.统计机器学习模型
11 _ 基础线性回归：一元与多元
12 _ 正则化处理：收缩方法与边际化
13 _ 线性降维：主成分的使用
14 _ 非线性降维：流形学习
15 _ 从回归到分类：联系函数与降维
16 _ 建模非正态分布：广义线性模型
17 _ 几何角度看分类：支持向量机
18 _ 从全局到局部：核技巧
19 _ 非参数化的局部模型：K近邻
20 _ 基于距离的学习：聚类与度量学习
21 _ 基函数扩展：属性的非线性化
22 _ 自适应的基函数：神经网络
23 _ 层次化的神经网络：深度学习
24 _ 深度编解码：表示学习
25 _ 基于特征的区域划分：树模型
26 _ 集成化处理：Boosting与Bagging
27 _ 万能模型：梯度提升与随机森林
总结课 _ 机器学习的模型体系
4.概率图模型
28 _ 最简单的概率图：朴素贝叶斯
29 _ 有向图模型：贝叶斯网络
30 _ 无向图模型：马尔可夫随机场
31 _ 建模连续分布：高斯网络
32 _ 从有限到无限：高斯过程
33 _ 序列化建模：隐马尔可夫模型
34 _ 连续序列化模型：线性动态系统
35 _ 精确推断：变量消除及其拓展
36 _ 确定近似推断：变分贝叶斯
37 _ 随机近似推断：MCMC
38 _ 完备数据下的参数学习：有向图与无向图
39 _ 隐变量下的参数学习：EM方法与混合模型
40 _ 结构学习：基于约束与基于评分
总结课 _ 贝叶斯学习的模型体系
5.结束语
结课 _ 终有一天，你将为今天的付出骄傲
6.加餐
如何成为机器学习工程师？
评论0