首页

投稿

【合集】十分钟机器学习系列视频《统计学习方法》——监督学习篇

87.8万

1.1万

2021-01-14 11:35:37

本系列每个视频十分钟，一次一个知识点，帮助小伙伴们由表及里地理解机器学习的基本方法。

知识分享官

统计学习方法

简博士发消息

1.1 统计学习方法的定义与分类

10:13

1.2 统计学习的基本分类——监督学习

13:44

1.2 统计学习的基本分类——无监督学习和强化学习

06:07

1.3 统计学习方法的三要素

16:43

1.4 模型评估与模型选择

13:33

1.5 正则化与交叉验证

08:17

1.6 泛化能力——概念理解

09:07

1.6 泛化能力——定理证明

12:40

1.7 生成模型与判别模型

08:38

1.8 监督学习应用——分类问题

07:09

1.8 监督学习应用——标注问题和回归问题

09:48

2.1 感知机——模型介绍和学习策略

12:53

2.2 感知机——准备知识：梯度下降法

11:22

2.3 感知机——学习算法之原始形式：算法解说

14:39

2.3 感知机——学习算法之对偶形式：算法解说

11:19

2.3 感知机——学习算法之对偶形式：例题分析

08:53

2.3 感知机——学习算法之原始形式：算法的收敛性

13:18

3.1 k近邻法——简介

15:00

3.2 k近邻法——三要素

17:48

3.3 k近邻法——什么是kd树

05:52

3.3 k近邻法——构造kd树

13:11

3.3 k近邻法——搜索kd树

13:32

4.1 朴素贝叶斯法：核心——贝叶斯定理

17:20

4.2 朴素贝叶斯法：因何而朴素？

16:00

4.3 朴素贝叶斯法：后验概率最大化准则

09:50

4.4 朴素贝叶斯法：极大似然法之原理篇

14:07

4.4 朴素贝叶斯法：极大似然估计之实现篇

19:00

4.5 朴素贝叶斯法：算法

14:56

4.6【基础篇】朴素贝叶斯法：贝叶斯估计

08:21

4.6【进阶篇】朴素贝叶斯法：贝叶斯估计

23:27

4.6【习题篇】朴素贝叶斯法：贝叶斯估计

10:03

5.1 决策树：一棵有理想的树

16:18

5.2 决策树——条件概率分布

13:04

5.2 决策树——决策树学习

08:25

5.3 决策树：信息增益

14:06

5.3 决策树：信息增益例题解说

17:58

5.3 决策树：信息增益比

10:33

5.4 决策树的生成——ID3算法

14:28

5.4 决策树的生成——C4.5算法

02:15

5.4 决策树的生成——例题详解

16:50

5.5 决策树：剪枝

14:37

5.5 决策树：预剪枝（1）

12:33

5.5 决策树：预剪枝（2）

13:13

5.5 决策树：后剪枝——降低错误的剪枝

13:00

5.5 决策树：后剪枝——悲观剪枝方法之原理篇

08:45

5.5 决策树：后剪枝——悲观错误剪枝之实例篇（1）

11:14

5.5 决策树：后剪枝——悲观错误剪枝之实例篇（2）

06:34

5.5 决策树：后剪枝——最小错误剪枝方法之原理篇

13:44

5.5 决策树：后剪枝——最小错误剪枝方法之实例篇

05:58

5.5 决策树：后剪枝——基于错误剪枝方法之误判率上界

12:13

5.5 决策树：后剪枝——基于错误剪枝方法之具体过程

07:10

5.5 决策树：后剪枝——代价复杂度剪枝

13:32

5.6 决策树：CART算法（1）——简介

07:27

5.6 决策树：CART算法（2）——基尼指数

07:58

5.6 决策树： CART算法（3）——特征下的基尼指数

13:21

5.6 决策树： CART算法（4）——分类树的生成

24:57

5.6 决策树：CART算法（5）——回归树的生成

22:25

5.6 决策树：CART算法（6）——剪枝

15:41

6.1 逻辑回归：Logistic的起源

21:50

6.2 逻辑回归：Logistic Distribution（修订版）

16:28

6.3 逻辑回归：回归模型

14:30

6.4 逻辑回归：逻辑回归模型

15:37

6.5 逻辑回归：参数估计

11:47

7.1 最大熵模型：原理篇之离散分布

16:13

7.1 最大熵模型：原理篇之连续分布

10:39

7.2 最大熵模型：模型简介（1）

08:24

7.2 最大熵模型：模型简介（2）

11:51

7.2 最大熵模型：模型简介（3）

12:28

7.3 最大熵模型：拉格朗日乘子法

09:23

7.3 最大熵模型：原始问题

08:56

7.3 最大熵模型：对偶问题

10:46

7.3 最大熵模型：最大熵模型的学习问题

10:15

7.3 最大熵模型：原始问题和对偶问题的最优解相同吗？

19:04

7.3 最大熵模型：如何利用对偶问题解决原始问题

14:43

7.3 最大熵模型：例题解说

12:40

7.3 最大熵模型：极大似然估计（1）

11:18

7.3 最大熵模型：极大似然估计（2）

09:20

7.4 最大熵模型：优化算法——最速梯度下降法（1）

12:20

7.4 最大熵模型：优化算法——最速梯度下降法（2）

15:10

7.4 最大熵模型：优化算法——牛顿法的奇闻异事

12:02

7.4 最大熵模型：优化算法——牛顿法之求零点

10:58

彩蛋：平方根倒数速算法

04:01

7.4 最大熵模型：优化算法——牛顿法之求极小值

10:59

7.4 最大熵模型：优化算法——牛顿法之求多元情形

10:14

7.4 最大熵模型：优化算法——拟牛顿法条件

13:25

7.4 最大熵模型：优化算法——拟牛顿法之一维搜索

07:54

7.4 最大熵模型：优化算法——拟牛顿法之DFP算法

13:12

7.4 最大熵模型：优化算法——拟牛顿法之BFGS算法

13:35

7.4 最大熵模型：优化算法—改进的迭代尺度算法（1）

19:46

7.4 最大熵模型：优化算法—改进的迭代尺度算法（2）

19:54

8 支持向量机（1）：逻辑回归与支持向量机

09:24

8 支持向量机（2）：感知机与支持向量机

07:51

8 支持向量机（3）：支持向量名称的由来

10:07

8 支持向量机（4）：支持向量机的学习问题

13:19

8 支持向量机（5）：如何保证学习问题所得到的最优解具有可识别性？

10:40

8 支持向量机（6）：支持向量机的学习问题是凸优化问题吗？

26:09

8 支持向量机（7）：最大间隔算法

15:02

8 支持向量机（8）：线性可分支持向量机的对偶问题

16:13

8 支持向量机（9）：如何通过对偶问题获得参数

08:10

8 支持向量机（10）：线性可分支持向量机的对偶算法

20:21

8 支持向量机（11）：线性支持向量机的原始问题

12:25

8 支持向量机（12）：线性支持向量机的对偶算法

16:40

8 支持向量机（13）：线性支持向量机的算法

14:58

8 支持向量机（14）：如何从合页损失角度理解线性支持向量机

13:50

8 支持向量机（15）：为什么要提出非线性支持向量机

10:07

8 支持向量机（16）：核函数有什么用

13:05

8 支持向量机（17）：半正定Gram矩阵是什么

13:54

8 支持向量机（18）：映射下的新空间

13:29

8 支持向量机（19）：我们定义的这个运算是内积吗

09:50

8 支持向量机（20）：从向量空间到希尔伯特空间

19:16

8 支持向量机（21）：正定核函数的充要条件

16:47

8 支持向量机（22）：常见的两种连续空间上定义的正定核函数

05:45

8 支持向量机（23）：字符串核函数的小例子

11:48

8 支持向量机（24）：字符串核函数中的概念

14:39

8 支持向量机（25）：非线性支持向量机的算法简介

04:03

8 支持向量机（26）：坐标下降法

11:22

8 支持向量机（27）：序列最小最优化（SMO）算法简介

13:15

8 支持向量机（28）：序列最小最优化算法的解

20:33

8 支持向量机（29）：序列最小最优化算法中的迭代公式.MP4

15:05

8 支持向量机（30）：SMO算法中参数变量的选择.MP4

16:38

8 支持向量机（31）：SMO算法中参数变量的选择.MP4

11:11

8 支持向量机（32）：根SMO算法全过程.MP4

16:23

9 提升方法（1）：集成方法简介

13:47

9 提升方法（2）：准备知识——什么是PAC框架

13:12

9 提升方法（3）：AdaBoost例题先感受——第一轮

12:08

9 提升方法（4）：AdaBoost例题先感受——第二轮

15:01

9 提升方法（5）：AdaBoost例题先感受——第三轮

12:24

9 提升方法（6）：AdaBoost算法简介

12:32

9 提升方法（7）：算法中的权重更新

13:26

9 提升方法（8）：定理8.1中的训练误差上界

15:49

9 提升方法（9）：为何用规范化因子表示指数损失

13:34

9 提升方法（10）：打通定理8.2的前两行公式

11:58

9 提升方法（11）：定理8.2第三行的证明（泰勒展开证明法）

08:18

9 提升方法（12）：看看大佬怎么证明定理8.2第三行

09:03

9 提升方法（13）：为什么要证明定理8.2第三行

11:42

9 提升方法（14）：回归中的前向思想

15:45

9 提升方法（15）：可加模型的原理

10:42

9 提升方法（16）：AdaBoost的前向分步算法

13:47

9 提升方法（17）：提升树简介

11:04

9 提升方法（18）：提升树算法

09:29

9 提升方法（19）：提升树例题详解

18:43

9 提升方法（20）：梯度提升方法

08:27

10 EM算法（1）：餐前小甜点——回顾MLE

14:47

10 EM算法（2）：豆花小例子（上）——确定计算目标

09:07

10 EM算法（3）：豆花小例子（中）——极大似然冗长的计算

18:12

10 EM算法（4）：豆花小例子（下）——简便的EM思路

10:18

10 EM算法（5）：硬币小盲盒怎么猜（上）

09:48

10 EM算法（6）：硬币小盲盒怎么猜（下）

11:11

10 EM算法（7）：EM算法解说

13:53

10 EM算法（8）：拿个例子来练手

25:02

10 EM算法（9）：EM算法的合理性——如何导出EM算法（上)

17:47

10 EM算法（10）：EM算法的合理性——如何导出EM算法（下)

12:03

10 EM算法（11）：EM算法的合理性——EM算法的收敛性

18:55

10 EM算法（12）：高斯混合模型简介

07:45

10 EM算法（13）：高斯混合模型的E步

25:31

10 EM算法（14）：高斯混合模型的M步

23:27

10 EM算法（15）：广义的EM算法之F函数

16:52

10 EM算法（16）：GEM算法的理论准备——引理9.2的证明

08:50

10 EM算法（17）：GEM算法的理论准备——定理9.3的证明

09:12

10 EM算法（18）：GEM的三个算法详解

11:31

11 隐马尔可夫模型（1）：马尔可夫链的定义

10:31

11 隐马尔可夫模型（2）：马尔可夫模型的两要素

14:03

11 隐马尔可夫模型（3）：隐马尔可夫模型的三要素

13:48

11 隐马尔可夫模型（4）：隐马尔可夫模型的小栗子——三硬币模型（上）

11:03

11 隐马尔可夫模型（5）：隐马尔可夫模型的小栗子——三硬币模型（下）

11:45

11 隐马尔可夫模型（6）：隐马尔可夫模型的例题——盒子和球模型

10:52

11 隐马尔可夫模型（7）：概率计算算法之直接计算法

14:10

11 隐马尔可夫模型（8）：概率计算算法之前向算法（上）

10:57

11 隐马尔可夫模型（9）：概率计算算法之前向算法（下）

12:14

11 隐马尔可夫模型（10）：概率计算算法之后向算法（上）

09:57

11 隐马尔可夫模型（11）：概率计算算法之后向算法（中）

08:20

11 隐马尔可夫模型（12）：概率计算算法之后向算法（下）

13:23

11 隐马尔可夫模型（13）：概率计算算法的几个期望表达式

16:33

11 隐马尔可夫模型（14）：Baum-Welch算法（1）

08:39

11 隐马尔可夫模型（15）：Baum-Welch算法（2）

09:50

11 隐马尔可夫模型（16）：Baum-Welch算法（3）

09:13

11 隐马尔可夫模型（17）：Baum-Welch算法（4）

09:38

11 隐马尔可夫模型（18）：Baum-Welch算法（5）

13:04

11 隐马尔可夫模型（19）：Baum-Welch算法（6）

11:52

11 隐马尔可夫模型（20）：预测算法（1）

09:23

11 隐马尔可夫模型（21）：预测算法（2）——近似算法小栗子

05:15

11 隐马尔可夫模型（22）：预测算法（3）——维特比算法（上）

10:57

11 隐马尔可夫模型（23）：预测算法（4）——维特比算法（中）

12:56

11 隐马尔可夫模型（24）：预测算法（4）——维特比算法（下）

08:33

12 条件随机场（1）：条件随机场简介

11:40

12 条件随机场（2）：无向图是什么？

09:35

12 条件随机场（3-4）：马尔可夫性

17:39

12 条件随机场（5）：因子分解

17:36

12 条件随机场（6）：线性条件随机场的定义

15:41

12 条件随机场（7-9）：线性条件随机场的参数化形式

34:00

12 条件随机场（10-11）：条件随机场的简化形式

22:08

12 条件随机场（12）：线性条件随机场的矩阵形式

16:49

12 条件随机场（13）：概率计算问题（1）——到底计算什么概率

13:01

12 条件随机场（14）：概率计算问题（2）——前向后向算法

16:43

12 条件随机场（15）：概率计算问题（3）

15:26

12 条件随机场（16）：条件随机场学习算法之模型本质

14:04

12 条件随机场（17）：条件随机场学习算法之目标函数

11:42

12 条件随机场（18）：条件随机场学习算法之最速下降法与拟牛顿法

10:01

12 条件随机场（19-21）：迭代尺度法

57:10

12 条件随机场（22-23）：维特比算法

38:29

顶部