机器学习导论

机器学习的目标是对计算机编程，以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用，包括分析以往销售数据来预测客户行为，人脸识别或语音识别，优化机器人行为以便使用最少的资源来完成任务，以及从生物信息数据中提取知识的各种系统。为了对机器学习问题和解进行统一的论述，《机器学习导论》讨论了机器学习在统计学、模式识别、神经网络。人工智能、信号处理、控制和数据挖掘等不同领域的应用。

• 课时1：基本概念 (43分20秒)

• 课时2：随机向量 (40分46秒)

• 课时3：随机向量性质 (37分16秒)

• 课时4：多元高斯分布 (39分59秒)

• 课时5：分布性质 (29分13秒)

• 课时6：条件期望 (41分4秒)

• 课时7：多项式分布 (41分39秒)

• 课时8：多元高斯分布及应用 (38分46秒)

• 课时9：渐近性质 (37分52秒)

• 课时10：核定义 (44分14秒)

• 课时11：正定核性质 (38分33秒)

• 课时12：正定核应用 (40分22秒)

• 课时13：核主元分析 (59分47秒)

• 课时14：主元分析 (44分58秒)

• 课时15：主坐标分析 (38分22秒)

• 课时16：期望最大算法 (37分45秒)

• 课时17：概率PCA (34分43秒)

• 课时18：最大似然估计方法 (39分20秒)

• 课时19：EM算法收敛性 (39分58秒)

• 课时20：MDS方法 (43分32秒)

• 课时21：MDS中加点方法 (28分30秒)

• 课时22：矩阵次导数 (36分3秒)

• 课时23：矩阵范数 (43分17秒)

• 课时24：次导数 (41分16秒)

• 课时25：spectral clustering (32分39秒)

• 课时26：K-means algorithm (41分42秒)

• 课时27：Matr-x Completion (38分48秒)

• 课时28：Fisher判别分析 (47分44秒)

• 课时29： 谱聚类1 (44分41秒)

• 课时30：谱聚类2 (41分9秒)

• 课时31：Computational Methods1 (37分20秒)

• 课时32：Computational Methods2 (32分43秒)

• 课时33：Fisher Discriminant Analysis (41分32秒)

• 课时34：Kernel FDA (42分28秒)

• 课时35：Linear classification1 (42分12秒)

• 课时36：Linear classification2 (40分43秒)

• 课时37：Naive Bayes方法 (41分23秒)

• 课时38：Support Vector Machines1 (38分32秒)

• 课时39：Support Vector Machines2 (35分18秒)

• 课时40：SVM (48分29秒)

• 课时41：Boosting1 (42分15秒)

• 课时42：Boosting2 (36分12秒)