资源简介

《大数据机器学习》课程是面向信息学科的高年级本科生或研究生开设的基础理论课，目的是培养学生深入理解大数据机器学习理论基础，牢固掌握大数据机器学习方法，并能够解决实际问题等综合能力。课程的主要内容包括：统计学习基本理论，机器学习基本方法，深度学习理论和方法。

资源目录

\阿里云盘\计算机教程\09-其他\097-大数据机器学习培训（完结）
├第06章 贝叶斯分类器及图模型
│  ├5.半朴素贝叶斯分类器.mp4
│  ├3.贝叶斯网络.mp4
│  ├4.朴素贝叶斯分类器.mp4
│  ├7.吉布斯采样.mp4
│  ├6.贝叶斯网络结构学习推断.mp4
│  ├2.概率图模型.mp4
│  ├1.综述.mp4
├第12章 提升方法
│  ├3. Adaboost算法的解释.mp4
│  ├2. Adaboost算法的训练误差分析.mp4
│  ├4. Adaboost的实现.mp4
│  ├1. 提升方法Adaboost算法.mp4
├第09章 SVM
│  ├1.开头.mp4
│  ├6.线性支持向量机.mp4
│  ├4. 凸优化问题的基本概念.mp4
│  ├5.支持向量的确切定义.mp4
│  ├2.SVM简介.mp4
│  ├3.线性可分支持向量机.mp4
├第05章 聚类
│  ├3.4原型聚类 层次聚类.mp4
│  ├1.原型聚类描述.mp4
│  ├3.1原型聚类 k均值算法.mp4
│  ├2.性能度量.mp4
│  ├3.3 原型聚类 密度聚类.mp4
│  ├3.2 原型聚类 学习向量算法.mp4
├第20章 深度学习优化方法
│  ├2.神经网络优化的挑战.mp4
│  ├1.深度学习的优化问题.mp4
│  ├3.神经网络的优化算法.mp4
│  ├4.相关策略.mp4
├第15章 隐马尔可夫模型
│  ├2. 概率计算算法.mp4
│  ├4预测算法.mp4
│  ├3. 学习算法.mp4
│  ├开头(5).mp4
│  ├1. 隐马尔科夫模型的基本概念.mp4
├第13章 EM算法及混合高斯模型
│  ├2. EM算法的引入.mp4
│  ├开头(3).mp4
│  ├5. EM算法的推广.mp4
│  ├4. EM算法在高斯混合模型学习中的应用.mp4
│  ├3. EM算法的收敛性.mp4
│  ├1. 问题提出.mp4
├00讲义
│  ├第09章_SVM.pdf
│  ├第14讲_计算学习理论.pdf
│  ├第13讲_EM算法及混合高斯模型.pdf
│  ├第01章_概述.pdf
│  ├第11讲_降维与度量学习.pdf
│  ├第03章_模型性能评估.pdf
│  ├第15讲_隐马尔可夫模型.pdf
│  ├第12讲_提升方法.pdf
│  ├第08章__逻辑斯谛回归与最大熵模型.pdf
│  ├第20讲__深度学习优化方法.pdf
│  ├第06章_贝叶斯分类器及图模型.pdf
│  ├第05章_聚类.pdf
│  ├第07章_决策树和随机森林.pdf
│  ├第17讲__概率图模型的学习与推断.pdf
│  ├第04章_感知机.pdf
│  ├第18讲__神经网络和深度学习.pdf
│  ├第16讲_条件随机场.pdf
│  ├第10章_核方法与非线性SVM.pdf
│  ├第02章_机器学习基本概念.pdf
│  ├第19讲__深度学习正则化方法.pdf
├第10章 核方法与非线性SVM
│  ├2. 核函数和非线性支持向量机.mp4
│  ├1.泛函基础知识.mp4
│  ├开头.mp4
│  ├3. 序列最小最优化算法.mp4
├第08章 逻辑斯谛回归与最大熵模型
│  ├1.逻辑斯谛回归模型.mp4
│  ├3.模型学习的最优化方法.mp4
│  ├2.最大熵模型.mp4
├第14章 计算学习理论
│  ├5. 学习稳定性.mp4
│  ├开头(4).mp4
│  ├2. 概率近似正确学习理论.mp4
│  ├4. VC维.mp4
│  ├3. 有限假设空间.mp4
│  ├1. 计算学习理论的基础知识.mp4
├第03章 模型性能评估
│  ├6.ROC和AUC曲线.mp4
│  ├5.PR曲线.mp4
│  ├10.偏差和方差.mp4
│  ├2.交叉验证法.mp4
│  ├8.假设检验.mp4
│  ├4.性能度量.mp4
│  ├1.留出法.mp4
│  ├9.T检验.mp4
│  ├7.代价敏感错误率.mp4
│  ├3.自助法.mp4
├第04章 感知机
│  ├2.感知机学习策略.mp4
│  ├3.感知机学习算法.mp4
│  ├1.感知机模型.mp4
├第02章 机器学习基本概念
│  ├1机器学习的基本术语.mp4
│  ├10.生成模型和判别模型.mp4
│  ├3.假设空间.mp4
│  ├6.没有免费的午餐定理.mp4
│  ├9.泛化能力.mp4
│  ├5.奥卡姆剃刀定理.mp4
│  ├2.监督学习.mp4
│  ├4.学习方法三要素.mp4
│  ├8.过拟合与模型选择.mp4
│  ├7.训练误差和测试误差.mp4
├第01章 概述
│  ├6.机器学习的发展历程.mp4
│  ├3.深度学习方法和其它人工智能方法的共性和差异.mp4
│  ├1.机器学习定义和典型应用.mp4
│  ├2.机器学习和人工智能的关系.mp4
│  ├7.大数据机器学习的主要特点.mp4
│  ├4.机器学习和数据挖掘的关系.mp4
│  ├5.机器学习和统计学习的关系.mp4
├第07章 决策树和随机森林
│  ├6.随机森林.mp4
│  ├2.信息量和熵.mp4
│  ├5.CART算法.mp4
│  ├4.决策树的减枝.mp4
│  ├开头.mp4
│  ├3.决策树的生成.mp4
│  ├1.决策树模型与学习基本概念.mp4
├第18章 神经网络和深度学习
│  ├5.深度学习.mp4
│  ├4.玻尔兹曼机.mp4
│  ├3.神经网络的基本概念以及常见的神经网络(二）.mp4
│  ├1.神经网络的发展历程.mp4
│  ├2.神经网络的基本概念以及常见的神经网络(一）.mp4
├第11章 降维与度量学习
│  ├5. 流型学习和度量学习.mp4
│  ├4. 核化线性降维.mp4
│  ├开头(2).mp4
│  ├3. 主成分分析.mp4
│  ├2. 降维嵌入.mp4
│  ├1. k近邻学习.mp4
├第16章 条件随机场
│  ├3.条件随机场的计算问题.mp4
│  ├1.概率无向图模型.mp4
│  ├开头.mp4
│  ├2.条件随机场的定义与形式.mp4
│  ├4.条件随机场的学习算法.mp4
│  ├5.条件随机场的预测算法.mp4
├第19章 深度学习正则化方法
│  ├2. 计算图形式的反向传播算法.mp4
│  ├1. 深度学习简介和架构设计.mp4
│  ├3.深度学习的正则化方法（一）.mp4
│  ├4.深度学习的正则化方法（二）.mp4
├第17章 概率图模型的学习与推断
│  ├1.精确推断法：变量消去法和信念传播法.mp4
│  ├2.近似推断法：MCMC和变分推断.mp4
│  ├开头.mp4

资源下载