#原创

极客时间专栏课-王天一-机器学习40讲

课程介绍

课程来自于 极客时间专栏课-王天一-机器学习40讲（完结）

你将获得

机器学习的必备核心理论

30 个最流行的机器学习模型

基于 Python 语言的实例练习

完整的机器学习知识体系

“机器学习 40 讲”终于和你见面了！

2017 年 12 月，王天一老师在极客时间开设了“人工智能基础课”专栏，带你进入人工智能的大门，介绍了人工智能所需要的基础数学、当前流行的深度学习技术、以及其他可能突破的技术路径等方方面面的内容。

人工智能基础课的第 2 季聚焦于机器学习。在新技术层出不穷的今日，机器学习依然占据着人工智能的核心地位，也是人工智能中发展最快的分支之一。

那么，怎样入门机器学习？又有哪些学习路径呢？无论机器学习领域充斥着多少花哨的技术，归根结底，都是基本模型与基本方法的结合，而理解这些基本模型和基本方法就是掌握机器学习的要义所在。那么，问题来了，这么多模型到底要怎么学习呢？其实，这里面最关键的，是要梳理出机器学习的主线，把握不同模型之间的内在关联，能够融会贯通、系统地理解机器学习。

在本专栏中，王天一老师会从机器学习中的共性问题讲起，从统计机器学习和概率图模型两个角度，详细解读 30 个最流行的机器学习模型。除了理论之外，在每个模型的介绍中还会穿插一些基于 Python 语言的简单实例，帮你加强对于模型的理解。

专栏共 3 大模块

机器学习概观。这一模块将从频率学派与贝叶斯学派这两个视角来看机器学习，并讨论超脱于模型和方法之外的一些共性问题，包括模型的分类方式、设计准则、评估指标等。

统计机器学习模型。这一模块将以线性模型为主线，讨论模型的多种扩展和修正，如正则化、线性降维、核方法、基函数变化、随机森林等，探究从简单线性回归到复杂深度网络的发展历程。

概率图模型。这一模块将以高斯分布为起点，将高斯分布应用到从简单到复杂的图模型中，由此认识不同的模型特性与不同的计算技巧，如朴素贝叶斯、高斯混合模型、马尔科夫随机场等。

文件目录

01-开篇词 (1讲)

00丨开篇词丨打通修炼机器学习的任督二脉.html

00丨开篇词丨打通修炼机器学习的任督二脉.mp3

00丨开篇词丨打通修炼机器学习的任督二脉.pdf

02-机器学习概观 (10讲)

03-统计机器学习模型 (18讲)

总结课丨机器学习的模型体系.pdf

总结课丨机器学习的模型体系.html

总结课丨机器学习的模型体系.mp3

11丨基础线性回归：一元与多元.mp3

11丨基础线性回归：一元与多元.html

11丨基础线性回归：一元与多元.pdf

12丨正则化处理：收缩方法与边际化.pdf

12丨正则化处理：收缩方法与边际化.mp3

12丨正则化处理：收缩方法与边际化.html

13丨线性降维：主成分的使用.pdf

13丨线性降维：主成分的使用.html

13丨线性降维：主成分的使用.mp3

14丨非线性降维：流形学习.mp3

14丨非线性降维：流形学习.html

14丨非线性降维：流形学习.pdf

15丨从回归到分类：联系函数与降维.mp3

15丨从回归到分类：联系函数与降维.pdf

15丨从回归到分类：联系函数与降维.html

16丨建模非正态分布：广义线性模型.pdf

16丨建模非正态分布：广义线性模型.mp3

16丨建模非正态分布：广义线性模型.html

17丨几何角度看分类：支持向量机.html

17丨几何角度看分类：支持向量机.pdf

17丨几何角度看分类：支持向量机.mp3

18丨从全局到局部：核技巧.mp3

18丨从全局到局部：核技巧.pdf

18丨从全局到局部：核技巧.html

19丨非参数化的局部模型：K近邻.html

19丨非参数化的局部模型：K近邻.pdf

19丨非参数化的局部模型：K近邻.mp3

20丨基于距离的学习：聚类与度量学习.mp3

20丨基于距离的学习：聚类与度量学习.html

20丨基于距离的学习：聚类与度量学习.pdf

21丨基函数扩展：属性的非线性化.html

21丨基函数扩展：属性的非线性化.pdf

21丨基函数扩展：属性的非线性化.mp3

22丨自适应的基函数：神经网络.mp3

22丨自适应的基函数：神经网络.pdf

22丨自适应的基函数：神经网络.html

23丨层次化的神经网络：深度学习.mp3

23丨层次化的神经网络：深度学习.pdf

23丨层次化的神经网络：深度学习.html

24丨深度编解码：表示学习.mp3

24丨深度编解码：表示学习.pdf

24丨深度编解码：表示学习.html

25丨基于特征的区域划分：树模型.pdf

25丨基于特征的区域划分：树模型.html

25丨基于特征的区域划分：树模型.mp3

26丨集成化处理：Boosting与Bagging.html

26丨集成化处理：Boosting与Bagging.pdf

26丨集成化处理：Boosting与Bagging.mp3

27丨万能模型：梯度提升与随机森林.mp3

27丨万能模型：梯度提升与随机森林.pdf

27丨万能模型：梯度提升与随机森林.html

04-概率图模型 (14讲)

05-结束语 (1讲)

结课丨终有一天，你将为今天的付出骄傲.pdf

结课丨终有一天，你将为今天的付出骄傲.mp3

结课丨终有一天，你将为今天的付出骄傲.html

jamison普通

收藏 海报 链接