2018机器学习40讲

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