机器学习深入研究

(01)机器学习与相关数学初步
(02)数理统计与参数估计
(03)矩阵分析与应用
(04)凸优化初步
(05)回归分析与工程应用
(06)特征工程
(07)工作流程与模型调优
(08)最大熵模型与EM算法
(09)推荐系统与应用
(10)聚类算法与应用
(11)决策树随机森林和adaboost
(12)SVM
(13)贝叶斯方法
(14)主题模型
(15)贝叶斯推理采样与变分
(16)人工神经网络
(17)卷积神经网络
(18)循环神经网络与LSTM
(19)Caffe&Tensor Flow&MxNet 简介
(20)贝叶斯网络和HMM
(额外补充)词嵌入word embedding

• 课时1：机器学习与相关数学初步 (2小时11分51秒)

• 课时2：数理统计与参数估计 (2小时13分54秒)

• 课时3：矩阵分析与应用 (2小时20分25秒)

• 课时4：凸优化初步 (2小时19分0秒)

• 课时5：回归分析与工程应用 (2小时27分0秒)

• 课时6：特征工程 (2小时58分0秒)

• 课时7：工作流程与模型调优 (2小时38分0秒)

• 课时8：最大熵模型与EM算法 (2小时14分1秒)

• 课时9：推荐系统与应用 (2小时31分0秒)

• 课时10：聚类算法与应用 (2小时30分0秒)

• 课时11：决策树随机森林adaboost (2小时1分10秒)

• 课时12：SVM (2小时20分1秒)

• 课时13：贝叶斯方法 (2小时10分0秒)

• 课时14：主题模型 (1小时56分5秒)

• 课时15：贝叶斯推理采样变分方法 (1小时30分55秒)

• 课时16：人工神经网络 (2小时15分35秒)

• 课时17：卷积神经网络 (2小时7分1秒)

• 课时18：循环神经网络和LSTM (1小时54分40秒)

• 课时19：Caffe&Tensor Flow&MxNet 简介 (1小时54分8秒)

• 课时20：贝叶斯网络和HMM (2小时5分56秒)

• 课时21：(额外补充)词嵌入word embedding (1小时33分54秒)