本套课程大数据机器学习培训(学堂在线)，由袁春老师主讲，课程共分为20个章节，文件大小共计5.62G。当大家听到机器学习的第一反应就是晦涩难懂，很多人更是望而却步；本套课程通过对机器学习进行拆解，层层深入的方式教大家如何学习并掌握机器学习。
大数据机器学习 视频截图
大数据机器学习 视频截图
课程文件目录：V-3539：大数据机器学习培训（完结） [5.62G]
大数据机器学习培训（完结）
│
├─00讲义
│ 第01章_概述.pdf
│ 第02章_机器学习基本概念.pdf
│ 第03章_模型性能评估.pdf
│ 第04章_感知机.pdf
│ 第05章_聚类.pdf
│ 第06章_贝叶斯分类器及图模型.pdf
│ 第07章_决策树和随机森林.pdf
│ 第08章__逻辑斯谛回归与最大熵模型.pdf
│ 第09章_SVM.pdf
│ 第10章_核方法与非线性SVM.pdf
│ 第11讲_降维与度量学习.pdf
│ 第12讲_提升方法.pdf
│ 第13讲_EM算法及混合高斯模型.pdf
│ 第14讲_计算学习理论.pdf
│ 第15讲_隐马尔可夫模型.pdf
│ 第16讲_条件随机场.pdf
│ 第17讲__概率图模型的学习与推断.pdf
│ 第18讲__神经网络和深度学习.pdf
│ 第19讲__深度学习正则化方法.pdf
│ 第20讲__深度学习优化方法.pdf
│
├─下载必看
│ 1.png
│ 12.png
│ 13.png
│ 14.png
│ 15.png
│ 16.png
│ 17.png
│ 18.png
│ 2.png
│ 3.png
│ 4.png
│ 5.png
│ 6.png
│ 7.png
│ 8.png
│ 9.png
│
├─第01章 概述
│ 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
│ 3.深度学习方法和其它人工智能方法的共性和差异.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
│ 6.机器学习的发展历程.mp4
│ 7.大数据机器学习的主要特点.mp4
│
├─第02章 机器学习基本概念
│ 10.生成模型和判别模型.mp4
│ 1机器学习的基本术语.mp4
│ 2.监督学习.mp4
│ 3.假设空间.mp4
│ 4.学习方法三要素.mp4
│ 5.奥卡姆剃刀定理.mp4
│ 6.没有免费的午餐定理.mp4
│ 7.训练误差和测试误差.mp4
│ 8.过拟合与模型选择.mp4
│ 9.泛化能力.mp4
│
├─第03章 模型性能评估
│ 1.留出法.mp4
│ 10.偏差和方差.mp4
│ 2.交叉验证法.mp4
│ 3.自助法.mp4
│ 4.性能度量.mp4
│ 5.PR曲线.mp4
│ 6.ROC和AUC曲线.mp4
│ 7.代价敏感错误率.mp4
│ 8.假设检验.mp4
│ 9.T检验.mp4
│
├─第04章 感知机
│ 1.感知机模型.mp4
│ 2.感知机学习策略.mp4
│ 3.感知机学习算法.mp4
│
├─第05章 聚类
│ 1.原型聚类描述.mp4
│ 2.性能度量.mp4
│ 3.1原型聚类 k均值算法.mp4
│ 3.2 原型聚类 学习向量算法.mp4
│ 3.3 原型聚类 密度聚类.mp4
│ 3.4原型聚类 层次聚类.mp4
│
├─第06章 贝叶斯分类器及图模型
│ 1.综述.mp4
│ 2.概率图模型.mp4
│ 3.贝叶斯网络.mp4
│ 4.朴素贝叶斯分类器.mp4
│ 5.半朴素贝叶斯分类器.mp4
│ 6.贝叶斯网络结构学习推断.mp4
│ 7.吉布斯采样.mp4
│
├─第07章 决策树和随机森林
│ 1.决策树模型与学习基本概念.mp4
│ 2.信息量和熵.mp4
│ 3.决策树的生成.mp4
│ 4.决策树的减枝.mp4
│ 5.CART算法.mp4
│ 6.随机森林.mp4
│ 开头.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
│ 2.最大熵模型.mp4
│ 3.模型学习的最优化方法.mp4
│
├─第09章 SVM
│ 1.开头.mp4
│ 2.SVM简介.mp4
│ 3.线性可分支持向量机.mp4
│ 4. 凸优化问题的基本概念.mp4
│ 5.支持向量的确切定义.mp4
│ 6.线性支持向量机.mp4
│
├─第10章 核方法与非线性SVM
│ 1.泛函基础知识.mp4
│ 2. 核函数和非线性支持向量机.mp4
│ 3. 序列最小最优化算法.mp4
│ 开头.mp4
│
├─第11章 降维与度量学习
│ 1. k近邻学习.mp4
│ 2. 降维嵌入.mp4
│ 3. 主成分分析.mp4
│ 4. 核化线性降维.mp4
│ 5. 流型学习和度量学习.mp4
│ 开头(2).mp4
│
├─第12章 提升方法
│ 1. 提升方法Adaboost算法.mp4
│ 2. Adaboost算法的训练误差分析.mp4
│ 3. Adaboost算法的解释.mp4
│ 4. Adaboost的实现.mp4
│
├─第13章 EM算法及混合高斯模型
│ 1. 问题提出.mp4
│ 2. EM算法的引入.mp4
│ 3. EM算法的收敛性.mp4
│ 4. EM算法在高斯混合模型学习中的应用.mp4
│ 5. EM算法的推广.mp4
│ 开头(3).mp4
│
├─第14章 计算学习理论
│ 1. 计算学习理论的基础知识.mp4
│ 2. 概率近似正确学习理论.mp4
│ 3. 有限假设空间.mp4
│ 4. VC维.mp4
│ 5. 学习稳定性.mp4
│ 开头(4).mp4
│
├─第15章 隐马尔可夫模型
│ 1. 隐马尔科夫模型的基本概念.mp4
│ 2. 概率计算算法.mp4
│ 3. 学习算法.mp4
│ 4预测算法.mp4
│ 开头(5).mp4
│
├─第16章 条件随机场
│ 1.概率无向图模型.mp4
│ 2.条件随机场的定义与形式.mp4
│ 3.条件随机场的计算问题.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
│ 开头.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
│
├─第18章 神经网络和深度学习
│ 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
│ 3.神经网络的基本概念以及常见的神经网络(二）.mp4
│ 4.玻尔兹曼机.mp4
│ 5.深度学习.mp4
│
├─第19章 深度学习正则化方法
│ 1. 深度学习简介和架构设计.mp4
│ 2. 计算图形式的反向传播算法.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20章 深度学习优化方法
1.深度学习的优化问题.mp4
2.神经网络优化的挑战.mp4
3.神经网络的优化算法.mp4
4.相关策略.mp4
