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Bagging27 | 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
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:MCMC38 | 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
结课 | 终有一天,你将为今天的付出骄傲
如何成为机器学习工程师?结课测试 | 这些机器学习知识你都掌握了吗?