机器学习 40 讲 Jun 4, 2018 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 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：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 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？ ←从 0 开始学游戏开发 软件测试 52 讲→