Machine Learning

从数据处理与模型评价，到概率建模、聚类、线性回归和正则化。

课程导航与课程讲次

课程讲次

8 篇公开记录

Machine Learning日期未记录
Lec1: 机器学习导论
Machine Learning 机器学习
训练与推断、学习任务、模型族、决策边界、泛化能力和建模流程。
Machine Learning日期未记录
Lec2: 数据工具与可视化
Machine Learning 机器学习
使用 pandas 检查、筛选和整理数据，处理缺失值、聚合、连接与可视化。
Machine Learning日期未记录
Lec3: 建模流程与评价方法
Machine Learning 机器学习
分类指标、决策阈值、数据划分与泄漏，以及特征工程和逻辑回归。
Machine Learning日期未记录
Lec4: K-means 与概率基础
Machine Learning 机器学习
K-means 的目标与 Lloyd 算法，以及条件概率、贝叶斯公式和基础发生率。
Machine Learning日期未记录
Lec5: 最大似然估计
Machine Learning 机器学习
区分概率、密度与似然，推导高斯和类别分布的最大似然估计。
Machine Learning日期未记录
Lec6: 多元高斯与高斯混合模型
Machine Learning 机器学习
均值、协方差、马氏距离，以及高斯混合的隐变量、边缘化和责任度。
Machine Learning日期未记录
Lec7: 高斯混合优化与线性回归
Machine Learning 机器学习
高斯混合优化、K-means 的联系，以及线性回归、最小二乘与正规方程。
Machine Learning日期未记录
Lec8: 线性回归几何与正则化
Machine Learning 机器学习
最小二乘的几何解释、Ridge、MAP、高斯先验，以及 Lasso 和稀疏性。