小象机器学习算法精讲

1_1.1函数介绍.mp4 · 2_1.2向量.mp4 · 3_1.3矩阵与张量.mp4 · 4_1.4特征值和特征向量.mp4 · 5_1.5奇异值分解.mp4 · 6_1.6Jacobian和Hessian矩阵.mp4 · 7_1.7凸函数.mp4 · 8_2.1概率问题.mp4 · 9_2.2独立性随机变量.mp4 · 10_2.3-期望、方差和协方差.mp4 · 11_2.4-联合概率.mp4 · 12_2.5-分布(1).mp4 · 13_2.6-分布(2).mp4 · 14_3.1-机器学习的模型.mp4 · 15_3.2-机器学习的应用.mp4 · 16_3.3-过拟合.mp4.mp4 · 17_3.4-机器学习的分类.mp4 · 18_4.1-有监督学习.mp4 · 19_4.2损失函数.mp4 · 20_4.3梯度下降（1）.mp4 · 21_4.4梯度下降（2）.mp4 · 22_4.5-牛顿方法.mp4 · 23_5.1-有参和无参模型.mp4 · 24_5.2KNN简介.mp4 · 25_5.3距离测算.mp4 · 26_5.4朴素贝叶斯.mp4 · 27_5.5-朴素贝叶斯的实际应用.mp4 · 28_6.1-决策树简介.mp4 · 29_6.2-信息熵（1）.mp4 · 30_6.3-信息熵（2）.mp4 · 31_6.4-ID3算法.mp4 · 32_6.5-决策树节点的划分.mp4 · 33_7.1-CART树.mp4 · 34_7.2-Bagging.mp4 · 35_7.3-Boosting.mp4 · 36_7.4-Gradient-Boosting.mp4 · 37_8.1-线性模型.mp4 · 38_8.2-最小二乘.mp4 · 39_8.-3-线性分类器.mp4 · 40_8.4-极大似然.mp4 · 41_8.5-逻辑回归（1）.mp4 · 42_9.1-逻辑回归（2）.mp4 · 43_9.2-岭回归.mp4 · 44_9.3-LASSO.mp4 · 45_9.4-优化方法（1）.mp4 · 46_9.5-优化方法（2）.mp4 · 47_10.1-拉格朗日乘子法（1）.mp4 · 48_10.2-拉格朗日乘子法（2）.mp4 · 49_10.3-拉格朗日乘子法（3）.mp4 · 50_10.4-最大间隔.mp4 · 51_11.1-拉格朗日对偶问题.mp4 · 52_11.2-支持向量.mp4 · 53_11.3-SVM计算过程.mp4 · 54_11.4-线性可分.mp4 · 55_12.1贝叶斯公式.mp4 · 56_12.2-隐含变量和概率模型.mp4 · 57_12.3EM算法.mp4 · 58_12.4-琴生不等式.mp4 · 59_13.1三个硬币问题.mp4 · 60_13.2高斯混合模型.mp4 · 61_13.3隐马尔科夫模型.mp4 · 62_13.4-隐马尔可夫模型（2）.mp4 · 63_14.1-隐马尔可夫模型在NLP中的运用（1）.mp4 · 64_14.2-EM算法.mp4 · 65_14.3-隐马尔可夫模型在NLP中的运用（2）.mp4 · 66_14.4-隐马尔可夫模型在NLP中的运用（3）.mp4 · 67_15.1-高维下的高斯模型.mp4 · 68_15.2-主题模型.mp4 · 69_15.3-Dirichlet分布（1）.mp4 · 70_15.4-Dirichlet分布（2）.mp4 · 71_16.1-统计学习内容回顾.mp4 · 72_16.2-kmeans算法.mp4 · 73_16.3-PCA降维.mp4 · 74_16.4-SVD降维.mp4 · 75_16.5-isomap.mp4 · 76_17.1-聚类.mp4 · 77_17.2-局部线性嵌入.mp4 · 78_17.3-分布性随机领域嵌入（1）.mp4 · 79_17.4-分布性随机领域嵌入（2）.mp4 · 80_18.1-无参模型.mp4 · 81_18.2-高斯过程（1）.mp4 · 82_18.3-高斯过程（2）.mp4 · 83_19.1-神经网络简介.mp4 · 84_19.2-反向传播.mp4 · 85_19.3-CNN.mp4 · 86_19.4-RNN.mp4 · 87_20.1-深度学习回顾.mp4 · 88_20.2-增强学习（1）.mp4 · 89_20.3-强化学习（2）.mp4