- 《机器学习及其Python实践-阚道宏》课程介绍（6m） 05:58
- 第1章 机器学习导论
- 1.1 测算房价的数学模型 15:10
- 1.2 随机模型及其学习算法 24:07
- 1.3 随机变量与数学语言 16:27
- 1.4 更加复杂的数学模型 23:35
- 1.5 机器学习问题 08:13
- 第2章 回归分析
- 2.1 编程环境与数据集 11:42
- 2.2.1-2.2.3 数据集加载与预处理（1） 13:25
- 2.2.4-2.2.5 数据集加载与预处理（2） 11:03
- 2.3.1-2.3.2 模型训练与评价（1） 17:13
- 2.3.3 模型训练与评价（2） 11:12
- 2.4.1-2.4.2 正则化（1） 11:17
- 2.4.3 正则化（2） 12:02
- 2.5 非线性回归 13:12
- 第3章 分类问题
- 3.1.1 贝叶斯分类器（1） 13:46
- 3.1.2 贝叶斯分类器（2） 08:40
- 3.1.3 贝叶斯分类器（3） 14:28
- 3.2.1 非贝叶斯分类器（1） 07:22
- 3.2.2 非贝叶斯分类器（2） 10:08
- 3.2.3 非贝叶斯分类器（3） 16:32
- 3.3 多分类问题与分类模型评价 20:25
- 3.4.1 特征降维（1） 14:49
- 3.4.2 特征降维（2） 14:16
- 3.4.3-3.4.4 特征降维（3） 19:04
- 第4章 统计学习理论与支持向量机
- 4.1.1-4.1.2 统计学习理论（1） 25:32
- 4.1.3-4.1.4 统计学习理论（2） 18:08
- 4.2.1-4.2.2 线性可分支持向量机（1） 18:16
- 4.2.3 线性可分支持向量机（2） 07:08
- 4.3.1 非线性可分的支持向量机（1） 07:49
- 4.3.2 非线性可分的支持向量机（2） 05:53
- 4.4 SVM分类器及其Python实现 05:43
- 第5章 聚类问题
- 5.1 聚类问题的提出 13:47
- 5.2.1 EM算法（1） 10:51
- 5.2.2-5.2.3 EM算法（2） 08:54
- 5.3 K均值聚类 13:52
- 5.4 密度聚类DBSCAN 08:32
- 5.5 向量量化 09:26
- 第6章 概率图模型与概率推理
- 6.1 贝叶斯网 15:43
- 6.2.1-6.2.2 MCMC算法基础（1） 17:49
- 6.2.3-6.2.4 MCMC算法基础（2） 29:12
- 6.3.1 MCMC采样算法 11:38
- 6.3.2 MCMC最优化算法（1） 16:59
- 6.3.2 MCMC最优化算法（2） 13:01
- 6.3.3 MCMC互评算法 10:30
- 6.4 隐马尔可夫模型HMM 14:14
- 6.5 无向图模型 19:43
- 第7章 神经网络基础
- 7.1.1 神经元模型（1） 09:59
- 7.1.2-7.1.3 神经元模型（2） 13:01
- 7.2.1-7.2.2 神经网络（1） 16:29
- 7.2.3-7.2.4 神经网络（2） 14:25
- 7.3.1-7.3.2 反向传播算法（1） 17:32
- 7.3.3 反向传播算法（2） 16:01
- 7.4.1 TensorFlow机器学习框架（1） 11:21
- 7.4.2 TensorFlow机器学习框架（2） 09:19
- 7.4.3 TensorFlow机器学习框架（3） 07:08
- 7.5 Keras高层接口建模 17:50
- 第8章 深度学习
- 8.1.1-8.1.2 卷积神经网络CNN（1） 24:54
- 8.1.3-8.1.4 卷积神经网络CNN（2） 14:07
- 8.2.1-8.2.3 循环神经网络RNN（1） 22:52
- 8.2.4 循环神经网络RNN（2） 08:18
- 8.3.1-8.3.2 自编码器（1） 15:01
- 8.3.3-8.3.4 自编码器（2） 29:02
- 8.3.5 自编码器（3） 08:08
- 8.4.1-8.4.2 生成对抗网络GAN（1） 17:45
- 8.4.3-8.4.4 生成对抗网络GAN（2） 19:25
授课教师
资源管理