机器学习课程 – 白板推导系列

机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点，到以“知识”为重点，再到以“学习”为重点的自然、清晰的脉络。

〖资源目录〗:

• ├──机器学习-白板推导系列（10）-EM算法
• | ├──EM算法（1）-EM算法公式以及算法收敛性证明.flv 436.11M
• | ├──EM算法（2）-EM算法公式导出之ELBO-KL Diver.flv 384.91M
• | ├──EM算法（3）-EM算法公式导出之ELBO-Jensen I.flv 430.98M
• | ├──EM算法（4）-EM算法再回首.flv 157.38M
• | ├──EM算法（5）-广义EM.flv 356.92M
• | └──EM算法（6）-EM变种.flv 151.94M
• ├──机器学习-白板推导系列（11）-高斯混合模型GMM
• | ├──高斯混合模型（1）-模型介绍.flv 471.59M
• | ├──高斯混合模型（2）-极大似然.flv 376.71M
• | ├──高斯混合模型（3）-EM求解-E-Ste.flv 496.68M
• | └──高斯混合模型（4）-EM求解-M-Ste.flv 512.39M
• ├──机器学习-白板推导系列（12）-变分推断
• | ├──变分推断1（背景介绍）.flv 363.08M
• | ├──变分推断2（公式推导).flv 638.39M
• | ├──变分推断3（再回首).flv 611.10M
• | ├──变分推断4（随机梯度变分推断-SGVI-1).flv 470.13M
• | └──变分推断5（随机梯度变分推断-SGVI-2).flv 390.47M
• ├──机器学习-白板推导系列（13）-MCMC
• | ├──蒙特卡洛方法1.flv 685.73M
• | ├──蒙特卡洛方法2.flv 614.67M
• | ├──蒙特卡洛方法3.flv 538.68M
• | ├──蒙特卡洛方法4.flv 341.26M
• | ├──蒙特卡洛方法5-吉布斯采样.flv 50.26M
• | ├──蒙特卡洛方法6.flv 553.64M
• | ├──蒙特卡洛方法7.flv 594.08M
• | └──蒙特卡洛方法8.flv 695.38M
• ├──机器学习-白板推导系列（14）-隐马尔可夫模型
• | ├──隐马尔可夫模型HMM（1）-背景介绍.flv 554.55M
• | ├──隐马尔可夫模型HMM（2）-背景介绍.flv 175.86M
• | ├──隐马尔可夫模型HMM（3）-前向算法.flv 666.70M
• | ├──隐马尔可夫模型HMM（4）-后向算法.flv 419.26M
• | ├──隐马尔可夫模型HMM（5）-Baum Welch算法.flv 587.60M
• | ├──隐马尔可夫模型HMM（6）-维特比算法.flv 449.80M
• | ├──隐马尔可夫模型HMM（7）-小结.flv 494.65M
• | └──隐马尔可夫模型HMM（8）-小结.flv 584.64M
• ├──机器学习-白板推导系列（15）-线性动态系统-卡曼滤波
• | ├──线性动态系统1-KalmanFilter.flv 374.17M
• | ├──线性动态系统2-Filtering问题.flv 624.17M
• | └──线性动态系统3-Filtering问题求解.flv 345.25M
• ├──机器学习-白板推导系列（16）-粒子滤波
• | ├──粒子滤波1-背景介绍.flv 535.87M
• | ├──粒子滤波2-重要性采样.flv 760.24M
• | ├──粒子滤波3-重采样.flv 604.84M
• | └──粒子滤波4-SIR Filter.flv 320.05M
• ├──机器学习-白板推导系列（17）-条件随机场CRF
• | ├──条件随机场（1）-背景介绍.flv 789.47M
• | ├──条件随机场（2）-HMM VS MEM.flv 495.02M
• | ├──条件随机场（3）-MEMM VS CR.flv 483.80M
• | ├──条件随机场（4）-CRF模型-概率密度.flv 71.66M
• | ├──条件随机场（5）-CRF模型-概率密度.flv 53.30M
• | ├──条件随机场（6）-CRF模型-要解决的.flv 26.41M
• | ├──条件随机场（7）-CRF模型-Infe.flv 73.10M
• | └──条件随机场（8）-CRF模型-Lear.flv 88.03M
• ├──机器学习-白板推导系列（18）-高斯网络
• | ├──高斯网络（1）-总体介绍.flv 30.13M
• | ├──高斯网络（2）-高斯贝叶斯网络.flv 41.76M
• | └──高斯网络（3）-高斯马尔科夫随机场.flv 57.75M
• ├──机器学习-白板推导系列（19）-贝叶斯线性回归
• | ├──贝叶斯线性回归（1）-背景介绍.flv 35.30M
• | ├──贝叶斯线性回归（2）-推导介绍.flv 28.29M
• | ├──贝叶斯线性回归（3）-推导介绍.flv 42.03M
• | ├──贝叶斯线性回归（4）-推导预测.flv 15.91M
• | └──贝叶斯线性回归（5）-小结.flv 12.53M
• ├──机器学习-白板推导系列（1）-开篇
• | ├──开篇（1）-频率派VS贝叶斯派.flv 357.50M
• | └──开篇（2）-学习资料介绍.flv 436.50M
• ├──机器学习-白板推导系列（20）-高斯过程GP
• | ├──高斯过程GP（1）-简单介绍.flv 51.71M
• | ├──高斯过程GP（2）-权重空间角度.flv 168.95M
• | ├──高斯过程GP（3）-权重空间到函数空间.flv 134.20M
• | └──高斯过程GP（4）-函数空间的角度.flv 75.74M
• ├──机器学习-白板推导系列（21）-受限玻尔兹曼机RBM
• | ├──受限玻尔兹曼机RBM（1）-背景介绍.flv 121.32M
• | ├──受限玻尔兹曼机RBM（2）-背景介绍.flv 319.79M
• | ├──受限玻尔兹曼机RBM（3）-模型表示.flv 319.79M
• | ├──受限玻尔兹曼机RBM（4）-模型表示.flv 104.94M
• | ├──受限玻尔兹曼机RBM（5）-模型推断.flv 522.43M
• | └──受限玻尔兹曼机RBM（6）-模型推断.flv 283.71M
• ├──机器学习-白板推导系列（22）-谱聚类
• | ├──谱聚类（1）-背景介绍.flv 216.61M
• | ├──谱聚类（2）-模型介绍.flv 600.54M
• | ├──谱聚类（3）-模型的矩阵形式.flv 123.76M
• | ├──谱聚类（4）-模型的矩阵形式.flv 517.94M
• | └──谱聚类（5）-模型的矩阵形式.flv 351.49M
• ├──机器学习-白板推导系列（23）-前馈神经网络
• | ├──前馈神经网络（1）-从机器学习到深度学习.flv 279.36M
• | ├──前馈神经网络（2）-从感知机到深度学习.flv 378.12M
• | └──前馈神经网络（3）-非线性问题的三种解决方法.flv 508.61M
• ├──机器学习-白板推导系列（2）-数学基础
• | ├──数学基础（1）-高斯分布-极大似然估计.flv 592.69M
• | ├──数学基础（2）-高斯分布-极大似然估计（无偏估计VS有偏估计）).flv 465.13M
• | ├──数学基础（3）-高斯分布-从概率密度函数角度观察.flv 571.69M
• | ├──数学基础（4）-高斯分布-局限性.flv 317.62M
• | ├──数学基础（5）-高斯分布-已知联合概率求边缘概率及条件概率.flv 675.76M
• | ├──数学基础（6）-高斯分布-已知边缘和条件概率求联合概率分布.flv 489.51M
• | └──数学基础（7）-不等式-杰森不等式.flv 308.68M
• ├──机器学习-白板推导系列（3）-线性回归
• | ├──线性回归1（最小二乘法及其几何意义）).flv 572.57M
• | ├──线性回归2（最小二乘法-概率视角-高斯噪声-MLE）).flv 281.61M
• | ├──线性回归3（正则化-岭回归）).flv 382.73M
• | └──线性回归4（正则化-岭回归-概率角度-高斯噪声高斯先验-MAP）.flv 364.82M
• ├──机器学习-白板推导系列（4）-线性分类
• | ├──线性分类1-背景.flv 420.01M
• | ├──线性分类2-感知机（Perceptron).flv 422.93M
• | ├──线性分类3-线性判别分析（Fisher判别分析）-模型.flv 750.19M
• | ├──线性分类4-线性判别分析（Fisher判别分析）-模型.flv 330.77M
• | ├──线性分类5-逻辑回归.flv 401.66M
• | ├──线性分类6-高斯判别分析.flv 418.32M
• | ├──线性分类7-高斯判别分析.flv 389.15M
• | ├──线性分类8-高斯判别分析.flv 519.53M
• | └──线性分类9-朴素贝叶斯分类器.flv 387.09M
• ├──机器学习-白板推导系列（5）-降维
• | ├──降维1-背景介绍.flv 414.83M
• | ├──降维2-样本均值&样本方差的矩阵表示.flv 402.23M
• | ├──降维3-主成分分析（PCA）-最大投影方差角度.flv 491.09M
• | ├──降维4-主成分分析（PCA）-最小重构代价角度.flv 515.34M
• | ├──降维5-主成分分析（PCA）-SVD角度.flv 480.61M
• | └──降维6-主成分分析（PCA）-概率角度.flv 782.08M
• ├──机器学习-白板推导系列（6）-支持向量机SVM
• | ├──支持向量机1-硬间隔SVM-模型定义.flv 499.45M
• | ├──支持向量机2-硬间隔SVM-模型求解.flv 781.57M
• | ├──支持向量机3-硬间隔SVM-模型求解.flv 339.13M
• | ├──支持向量机4-软间隔SVM-模型定义.flv 352.97M
• | ├──支持向量机5-约束优化问题-弱对偶性证明.flv 534.59M
• | ├──支持向量机6-约束优化问题-对偶关系的几何解.flv 546.54M
• | ├──支持向量机7-约束优化问题-对偶关系之sla.flv 172.97M
• | ├──支持向量机8-约束优化问题-对偶关系之KKT.flv 190.28M
• | └──支持向量机9-备份.flv 574.36M
• ├──机器学习-白板推导系列（7）-核方法
• | ├──核方法（1）-背景介绍.flv 547.61M
• | ├──核方法（2）-正定核的两个定义.flv 301.53M
• | ├──核方法（3）-正定核充要条件-必要性证明.flv 246.25M
• | └──核方法（4）-备份.flv 57.19M
• ├──机器学习-白板推导系列（8）-指数族分布
• | ├──指数族分布1-背景.flv 430.00M
• | ├──指数族分布2-背景.flv 238.97M
• | ├──指数族分布3-高斯分布的指数族形式.flv 281.95M
• | ├──指数族分布4-对数配分函数与充分统.flv 293.69M
• | ├──指数族分布5-极大似然估计与充分统.flv 255.58M
• | ├──指数族分布6-最大熵角度.flv 309.42M
• | └──指数族分布7-最大熵角度.flv 496.03M
• └──机器学习-白板推导系列（9）-概率图模型基础
• | ├──概率图模型1-背景介绍.flv 573.32M
• | ├──概率图模型10-推断.flv 508.38M
• | ├──概率图模型11-推断.flv 388.95M
• | ├──概率图模型12-推断.flv 531.91M
• | ├──概率图模型13-推断.flv 199.16M
• | ├──概率图模型14-概念补充-道德图.flv 427.17M
• | ├──概率图模型15-概念补充-因子图.flv 387.13M
• | ├──概率图模型2-贝叶斯网络-Representation-条件独立性.flv 608.49M
• | ├──概率图模型3（补充解释）-贝叶斯网络-Representation-条件独立性).flv 256.81M
• | ├──概率图模型4-贝叶斯网络.flv 505.77M
• | ├──概率图模型5-贝叶斯网络.flv 416.51M
• | ├──概率图模型6-马尔可夫随机场.flv 441.71M
• | ├──概率图模型7-马尔可夫随机场.flv 276.61M
• | ├──概率图模型8-推断Inference.flv 441.79M
• | └──概率图模型9-推断.flv 553.63M