目录
开篇词 _ 打通修炼机器学习的任督二脉
频率视角下的机器学习
贝叶斯视角下的机器学习
学什么与怎么学
计算学习理论
模型的分类方式
模型的设计准则
模型的验证方法
模型的评估指标
实验设计
特征预处理
基础线性回归：一元与多元
正则化处理：收缩方法与边际化
线性降维：主成分的使用
非线性降维：流形学习
从回归到分类：联系函数与降维
建模非正态分布：广义线性模型
几何角度看分类：支持向量机
从全局到局部：核技巧
非参数化的局部模型：K近邻
基于距离的学习：聚类与度量学习
基函数扩展：属性的非线性化
自适应的基函数：神经网络
层次化的神经网络：深度学习
深度编解码：表示学习
基于特征的区域划分：树模型
集成化处理：Boosting与Bagging
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
最简单的概率图：朴素贝叶斯
有向图模型：贝叶斯网络
无向图模型：马尔可夫随机场
建模连续分布：高斯网络
从有限到无限：高斯过程
序列化建模：隐马尔可夫模型
连续序列化模型：线性动态系统
精确推断：变量消除及其拓展
确定近似推断：变分贝叶斯
随机近似推断：MCMC
完备数据下的参数学习：有向图与无向图
隐变量下的参数学习：EM方法与混合模型
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
结课 _ 终有一天，你将为今天的付出骄傲
评论0