We're sorry this project doesn't work properly without JavaScript enabled. Please enable it to continue.
欢迎来到鸿木在线学堂
问题答疑
精品课程
全部课程
公开课
云课直播
新闻公告
数图资源
智汇大讲堂
更多
  • 扫码下载Android
  • 扫码打开微信小程序
精品课程
全部课程
公开课
云课直播
新闻公告
数图资源
智汇大讲堂
    • 首页 - 课程列表 - 课程详情
    返回
    大数据机器学习
    课程类型：选修课
    主讲教师：袁春
    课程来源：清华大学
    建议学分：3.00分
    课程编码：xtzx0522
    课程介绍
    课程目录
    教师团队
    第一章 概述
    s 1.机器学习定义和典型应用 （10分钟）
    s 2.机器学习和人工智能的关系 （2分钟）
    s 3.深度学习方法和其它人工智能方法的共性和差异 （2分钟）
    s 4.机器学习和数据挖掘的关系 （1分钟）
    s 5.机器学习和统计学习的关系 （1分钟）
    s 6.机器学习的发展历程 （3分钟）
    s 7.大数据机器学习的主要特点 （9分钟）
    第二章 机器学习基本概念
    s 1机器学习的基本术语 （6分钟）
    s 2.监督学习 （2分钟）
    s 3.假设空间 （2分钟）
    s 4.学习方法三要素 （4分钟）
    s 5.奥卡姆剃刀定理 （1分钟）
    s 6.没有免费的午餐定理 （4分钟）
    s 7.训练误差和测试误差 （1分钟）
    s 8.过拟合与模型选择 （6分钟）
    s 9.泛化能力 （2分钟）
    s 10.生成模型和判别模型 （2分钟）
    第三章 模型性能评估
    s 1.留出法 （3分钟）
    s 2.交叉验证法 （1分钟）
    s 3.自助法 （2分钟）
    s 4.性能度量 （6分钟）
    s 5.PR曲线 （5分钟）
    s 6.ROC和AUC曲线 （1分钟）
    s 7.代价敏感错误率 （3分钟）
    s 8.假设检验 （5分钟）
    s 9.T检验 （2分钟）
    s 10.偏差和方差 （4分钟）
    第四章 感知机
    s 1.感知机模型 （5分钟）
    s 2.感知机学习策略 （2分钟）
    s 3.感知机学习算法 （17分钟）
    第五章 聚类
    s 1.原型聚类描述 （4分钟）
    s 2.性能度量 （11分钟）
    s 3.1原型聚类 k均值算法 （5分钟）
    s 3.2 原型聚类 学习向量算法 （5分钟）
    s 3.3 原型聚类 密度聚类 （5分钟）
    s 3.4原型聚类 层次聚类 （3分钟）
    第六章 贝叶斯分类器及图模型
    s 1.综述 （1分钟）
    s 2.概率图模型 （3分钟）
    s 3.贝叶斯网络 （12分钟）
    s 4.朴素贝叶斯分类器 （5分钟）
    s 5.半朴素贝叶斯分类器 （24分钟）
    s 6.贝叶斯网络结构学习推断 （1分钟）
    s 7.吉布斯采样 （3分钟）
    第七章 决策树和随机森林
    s 开头 （0分钟）
    s 1.决策树模型与学习基本概念 （15分钟）
    s 2.信息量和熵 （10分钟）
    s 3.决策树的生成 （14分钟）
    s 4.决策树的减枝 （5分钟）
    s 5.CART算法 （16分钟）
    s 6.随机森林 （6分钟）
    第八章 逻辑斯谛回归与最大熵模型
    s 简介 （4分钟）
    s 1.逻辑斯谛回归模型 （8分钟）
    s 2.最大熵模型 （19分钟）
    s 3.模型学习的最优化方法 （22分钟）
    第九章 SVM
    s 1.开头 （1分钟）
    s 2.SVM简介 （7分钟）
    s 3.线性可分支持向量机 （9分钟）
    s 4. 凸优化问题的基本概念 （20分钟）
    s 5.支持向量的确切定义 （4分钟）
    s 6.线性支持向量机 （9分钟）
    第十章 核方法与非线性SVM
    s 开头 （4分钟）
    s 1.泛函基础知识 （21分钟）
    s 2. 核函数和非线性支持向量机 （14分钟）
    s 3. 序列最小最优化算法 （16分钟）
    第十一章 降维与度量学习
    s 开头 （2分钟）
    s 1. k近邻学习 （4分钟）
    s 2. 降维嵌入 （12分钟）
    s 3. 主成分分析 （9分钟）
    s 4. 核化线性降维 （5分钟）
    s 5. 流型学习和度量学习 （18分钟）
    第十二章 提升方法
    s 1. 提升方法Adaboost算法 （21分钟）
    s 2. Adaboost算法的训练误差分析 （5分钟）
    s 3. Adaboost算法的解释 （5分钟）
    s 4. Adaboost的实现 （13分钟）
    第十三章 EM算法及混合高斯模型
    s 开头 （1分钟）
    s 1. 问题提出 （2分钟）
    s 2. EM算法的引入 （19分钟）
    s 3. EM算法的收敛性 （4分钟）
    s 4. EM算法在高斯混合模型学习中的应用 （7分钟）
    s 5. EM算法的推广 （6分钟）
    第十四章 计算学习理论
    s 开头 （2分钟）
    s 1. 计算学习理论的基础知识 （7分钟）
    s 2. 概率近似正确学习理论 （12分钟）
    s 3. 有限假设空间 （10分钟）
    s 4. VC维 （11分钟）
    s 5. 学习稳定性 （6分钟）
    第十五章 隐马尔可夫模型
    s 开头 （1分钟）
    s 1. 隐马尔科夫模型的基本概念 （12分钟）
    s 2. 概率计算算法 （15分钟）
    s 3. 学习算法 （11分钟）
    s 4预测算法 （13分钟）
    第十六章 条件随机场
    s 开头 （7分钟）
    s 1.概率无向图模型 （8分钟）
    s 2.条件随机场的定义与形式 （17分钟）
    s 3.条件随机场的计算问题 （4分钟）
    s 4.条件随机场的学习算法 （7分钟）
    s 5.条件随机场的预测算法 （8分钟）
    第十七章 概率图模型的学习与推断
    s 开头 （2分钟）
    s 1.精确推断法：变量消去法和信念传播法 （12分钟）
    s 2.近似推断法：MCMC和变分推断 （21分钟）
    第十八章 神经网络和深度学习
    s 1.神经网络的发展历程 （8分钟）
    s 2.神经网络的基本概念以及常见的神经网络(一） （16分钟）
    s 3.神经网络的基本概念以及常见的神经网络(二） （25分钟）
    s 4.玻尔兹曼机 （6分钟）
    s 5.深度学习 （7分钟）
    第十九章 深度学习正则化方法
    s 1. 深度学习简介和架构设计 （7分钟）
    s 2. 计算图形式的反向传播算法 （8分钟）
    s 3.深度学习的正则化方法（一） （26分钟）
    s 4.深度学习的正则化方法（二） （27分钟）
    第二十章 深度学习优化方法
    s 1.深度学习的优化问题 （18分钟）
    s 2.神经网络优化的挑战 （15分钟）
    s 3.神经网络的优化算法 （12分钟）
    s 4.相关策略 （24分钟）
    京ICP备20031688号 　　
    友情链接
    常见问题
    关于我们
    联系方式
    QQ：1522205766(密码找回，请联系网页在线客服)
    邮箱：yinghuaonline@vip.126.com
    电话：010-61235039