请绑定手机号码
视频选集
（1/172）
(系列一) 绪论-资料介绍
19:15
(系列一) 绪论-频率派vs贝叶斯派
15:44
(系列二) 数学基础-概率-高斯分布1-极大似然估计
26:04
(系列二) 数学基础-概率-高斯分布2-极大似然估计-无偏VS有偏
20:28
(系列二) 数学基础-概率-高斯分布3-从概率密度角度观察
25:08
(系列二) 数学基础-概率-高斯分布4-局限性
13:58
(系列二) 数学基础-概率-高斯分布5-求边缘概率以及条件概率
29:44
(系列二) 数学基础-概率-高斯分布6-求联合概率分布
21:33
(系列三) 线性回归1-最小二乘法及其几何意义
25:13
(系列三) 线性回归2-最小二乘法-概率视角-高斯噪声-MLE
12:24
(系列三) 线性回归3-正则化-岭回归-频率角度
16:50
(系列三) 线性回归4-正则化-岭回归-贝叶斯角度
16:03
(系列四) 线性分类1-背景
18:29
(系列四) 线性分类2-感知机（Perceptron）
18:37
(系列四) 线性分类3-线性判别分析（Fisher）-模型定义
33:00
(系列四) 线性分类4-线性判别分析（Fisher）-模型求解
14:33
(系列四) 线性分类5-逻辑回归（Logistic Regression）
17:41
(系列四) 线性分类6-高斯判别分析（Gaussian Discriminant Analysis）-模型定义
18:25
(系列四) 线性分类7-高斯判别分析（Gaussian Discriminant Analysis）-模型求解（求期望）
17:08
(系列四) 线性分类8-高斯判别分析（Gaussian Discriminant Analysis）-模型求解（求协方差）
22:51
(系列四) 线性分类9-朴素贝叶斯分类器（Naive Bayes Classifer）
19:08
(系列五) 降维1-背景
18:15
(系列五) 降维2-样本均值&样本方差矩阵
17:40
(系列五) 降维3-PCA-最大投影方差
21:35
(系列五) 降维4-PCA-最小重构代价
22:40
(系列五) 降维5-SVD角度开看PCA和PCoA
21:08
(系列五) 降维6-主成分分析（PCA）-概率角度（Probabilistic PCA）
34:25
(系列六) 支持向量机1-硬间隔SVM-模型定义
25:16
(系列六) 支持向量机2-硬间隔SVM-模型求解-引出对偶问题
34:23
(系列六) 支持向量机3-硬间隔SVM-模型求解-引出KKT条件
14:55
(系列六) 支持向量机4-软间隔SVM-模型定义
15:32
(系列六) 支持向量机5-约束优化问题-弱队偶性证明
23:24
(系列六) 支持向量机6-约束优化问题-对偶关系之几何解释
36:46
(系列六) 支持向量机7-约束优化问题-对偶关系之Slater Condition
13:11
(系列六) 支持向量机8-约束优化问题-对偶关系之KKT条件
14:51
(系列七) 核方法1-背景介绍
24:06
(系列七) 核方法2-正定核-两个定义
28:24
(系列七) 核方法3-正定核-必要性证明
20:05
(系列八) 指数族分布1-背景
18:55
(系列八) 指数族分布2-背景续
10:30
(系列八) 指数族分布3-高斯分布的指数族形式
12:24
(系列八) 指数族分布4-对数配分函数与充分统计量
12:55
(系列八) 指数族分布5-极大似然估计与充分统计量
11:15
(系列八) 指数族分布6-最大熵角度(1)
13:37
(系列八) 指数族分布7-最大熵角度(2)
21:43
(系列九) 概率图模型1-背景介绍
25:13
(系列九) 概率图模型2-贝叶斯网络-条件独立性
26:45
(系列九) 概率图模型3-贝叶斯网络-D-Seperation
22:14
(系列九) 概率图模型4-贝叶斯网络-例子-具体模型
18:20
(系列九) 概率图模型5-马尔可夫随机场-Representation-条件独立性
19:24
(系列九) 概率图模型6-马尔可夫随机场-Representation-因子分解
12:11
(系列九) 概率图模型7-推断Inference-总体介绍
19:25
(系列九) 概率图模型8-推断Inference-Variable Elimination
24:20
(系列九) 概率图模型9-推断Inference-Variable Elimation To Belief Propagation
32:45
(系列九) 概率图模型10-推断Inference-Belief Propagation
17:06
(系列九) 概率图模型11-推断Inference-Max Product(1)
23:24
(系列九) 概率图模型12-推断Inference-Max-Product(2)
08:46
(系列九) 概率图模型13-概念补充-因子图-Factor Graph
17:01
(系列九) 概率图模型14-概念补充-道德图Moral Graph
18:47
(系列十) EM算法1-算法收敛性证明
19:10
(系列十) EM算法2-公式导出之ELBO+KL Divergence
16:55
(系列十) EM算法3-公式导出之ELBO+Jensen Inequlity
18:57
(系列十) EM算法4-再回首
10:06
(系列十) EM算法5-广义EM
24:48
(系列十) EM算法6-EM的变种
10:13
(系列十一) 高斯混合模型1-模型介绍
26:06
(系列十一) 高斯混合模型2-极大似然
19:38
(系列十一) 高斯混合模型3-EM求解-E-Step
25:10
(系列十一) 高斯混合模型4-EM求解-M-Step
23:48
(系列十二) 变分推断1-背景介绍
15:59
(系列十二) 变分推断2-公式推导
28:06
(系列十二) 变分推断3-再回首
33:05
(系列十二) 变分推断4-SGVI-1
26:40
(系列十二) 变分推断5-SGVI-2
21:37
(系列十三) MCMC1-采样方法介绍
30:10
(系列十三) MCMC2-马尔可夫链Markov Chain
27:02
(系列十三) MCMC3-MH算法-Metropolis-Hastings
23:42
(系列十三) MCMC4-吉布斯算法-Gibbs
15:01
(系列十三) MCMC5-回顾
25:16
(系列十三) MCMC6-平稳分布
45:07
(系列十三) MCMC7-采样思路以及面临的困难
36:45
(系列十四) 隐马尔可夫模型1-背景
24:24
(系列十四) 隐马尔可夫模型2-背景续
07:44
(系列十四) 隐马尔可夫模型3-前向算法
29:20
(系列十四) 隐马尔可夫模型4-后向算法
18:28
(系列十四) 隐马尔可夫模型5-Baum-Welch算法(EM)
25:51
(系列十四) 隐马尔可夫模型6-Decoding问题-V维特比算法-Viterbi
19:47
(系列十四) 隐马尔可夫模型7-小结-Filtering问题&Smoothing问题&Prediction问题1
21:46
(系列十四) 隐马尔可夫模型8-小结-Filtering问题&Smoothing问题&Prediction问题2
25:42
(系列十五) 线性动态系统1-背景介绍
16:28
(系列十五) 线性动态系统2-Filtering问题
27:27
(系列十五) 线性动态系统3-Filtering问题求解
15:12
(系列十六) 粒子滤波1-背景介绍
23:33
(系列十六) 粒子滤波2-Importance Sampling & SIS
33:26
(系列十六) 粒子滤波3-重采样
26:36
(系列十六) 粒子滤波4-SIR Filter
14:05
(系列十七) 条件随机场1-背景介绍
34:44
(系列十七) 条件随机场2-HMM VS MEMM
21:40
(系列十七) 条件随机场3-MEMM VS CRF
31:10
(系列十七) 条件随机场4-概率密度函数的参数形式
28:18
(系列十七) 条件随机场5-概率密度函数的向量形式
22:01
(系列十七) 条件随机场6-模型要解决的问题
14:14
(系列十七) 条件随机场7-边缘概率计算
40:07
(系列十七) 条件随机场8-Learning-参数估计
34:11
(系列十八) 高斯网络1-总体介绍
17:48
(系列十八) 高斯网络2-高斯贝叶斯网络介绍
27:28
(系列十八) 高斯网络3-高斯马尔科夫随机场
34:15
(系列十九) 贝叶斯线性回归1
15:52
(系列十九) 贝叶斯线性回归2
18:18
(系列十九) 贝叶斯线性回归3
28:32
(系列十九) 贝叶斯线性回归4
10:34
(系列十九) 贝叶斯线性回归5
08:35
(系列二十) 高斯过程回归1-简单介绍
24:25
(系列二十) 高斯过程回归2-权重空间角度
38:52
(系列二十) 高斯过程回归3-权重空间到函数空间
31:12
(系列二十) 高斯过程回归4-函数空间角度
24:18
(系列二十一) 受限玻尔兹曼机1-背景介绍-引出玻尔兹曼分布
14:07
(系列二十一) 受限玻尔兹曼机2-背景介绍-玻尔兹曼分布的形象解释
09:06
(系列二十一) 受限玻尔兹曼机3-模型表示
21:09
(系列二十一) 受限玻尔兹曼机4-模型表示-回顾
42:38
(系列二十一) 受限玻尔兹曼机5-推断-后验概率
43:20
(系列二十一) 受限玻尔兹曼机6-模型推断-边缘概率
23:26
(系列二十二) 谱聚类1-背景介绍
09:56
(系列二十二) 谱聚类2-模型介绍
26:21
(系列二十二) 谱聚类3-模型的矩阵形式-Indicator Vector
06:52
(系列二十二) 谱聚类4-模型的矩阵形式-对角矩阵
25:51
(系列二十二) 谱聚类5-Lapalacian Matrix
15:28
(系列二十三) 前馈神经网络1-从机器学习到深度学习
15:48
(系列二十三) 前馈神经网络2-从感知机到深度学习
18:35
(系列二十三) 前馈神经网络3-非线性问题的三种解决方法
25:51
(系列二十四) 直面配方函数1-The log-likelihood gradient
26:48
(系列二十四) 直面配分函数2-Stochastic Maximum Likelihood
28:31
(系列二十四) 直面配分函数3-What is CD(Contrastive Divergence)
15:26
(系列二十四) 直面配方函数4-The Name of Contrastive Divergence
15:26
(系列二十四) 直面配分函数5-The log-likelihood of Energy-based model with latent variable
22:08
(系列二十四) 直面配分函数6-The log-likelihood gradient of RBM
16:39
(系列二十四) 直面配方函数7-CD-k for RBM
09:20
(系列二十五) 近似推断1-介绍
18:57
(系列二十五) 近似推断2-推断即优化
12:19
(系列二十六) Sigmoid Belief Network1-背景介绍
16:34
(系列二十六) Sigmoid Belief Network2-gradient of log-likelihood
13:27
(系列二十六) Sigmoid Belief Network3-gradient of log-likelihood续
14:08
(系列二十六) Sigmoid Belief Network4-醒眠算法-介绍
20:43
(系列二十六) Sigmoid Belief Network5-醒眠算法-KL Divergence
17:55
(系列二十六) Sigmoid Belief Network6-醒眠算法-KL Divergence续
09:13
(系列二十七)深度信念网络1-背景介绍
23:08
(系列二十七)深度信念网络2-叠加RBM的动机
15:35
(系列二十七)深度信念网络3-叠加RBM可提高ELBO
14:47
(系列二十七)深度信念网络4-预训练
18:56
(系列二十八)玻尔兹曼机1-介绍
14:50
(系列二十八)玻尔兹曼机2-log似然的梯度
21:58
(系列二十八)玻尔兹曼机3-基于MCMC的梯度上升
24:11
(系列二十八)玻尔兹曼机4-条件概率推导
39:17
(系列二十八)玻尔兹曼机5-平均场推断1
03:27
(系列二十八)玻尔兹曼机6-平均场推断2
29:02
(系列二十八)玻尔兹曼机7-平均场推断3
14:34
(系列二十九)深度玻尔兹曼机1-背景介绍
17:50
(系列二十九)深度玻尔兹曼机2-预训练1-介绍
17:25
(系列二十九)深度玻尔兹曼机3-预训练2-double counting problem
19:50
(系列二十九)深度玻尔兹曼机4-预训练3-收尾
17:51
(系列三十)生成模型1-定义
06:51
(系列三十)生成模型2-监督VS非监督
27:19
(系列三十)生成模型3-表示&推断&学习
19:14
(系列三十)生成模型4-模型分类
17:59
(系列三十)生成模型5-概率图VS神经网络
21:08
(系列三十)生成模型6-重参数技巧
16:53
(系列三十一)生成式对抗网络1-例子
08:44
(系列三十一)生成式对抗网络2-数学描述
20:13
(系列三十一)生成式对抗网络3-全局最优解
25:23
(系列三十二)变分自编码器1-模型表示
17:23
(系列三十二)变分自编码器2-推断&学习
26:07
(系列三十三)Normalizing Flow1-模型表示
27:29
顶部