机器学习40讲

00 开篇词 打通修炼机器学习的任督二脉

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

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

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

如何成为机器学习工程师？

总结课 机器学习的模型体系

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