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。

百度网盘部分截图

文件目录

/学习智库8/038-100008701-专栏课-王天一-机器学习40讲（完结）

| ├──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 1.0MB

| | ├──00丨开篇词丨打通修炼机器学习的任督二脉.mp3 3.0MB

| | ├──00丨开篇词丨打通修炼机器学习的任督二脉.pdf 1.0MB

| ├──02-机器学习概观 (10讲)

| ├──03-统计机器学习模型 (18讲)

| | ├──11丨基础线性回归：一元与多元.html 2.0MB

| | ├──11丨基础线性回归：一元与多元.mp3 10.0MB

| | ├──11丨基础线性回归：一元与多元.pdf 2.0MB

| | ├──12丨正则化处理：收缩方法与边际化.html 1.0MB

| | ├──12丨正则化处理：收缩方法与边际化.mp3 9.0MB

| | ├──12丨正则化处理：收缩方法与边际化.pdf 1.0MB

| | ├──13丨线性降维：主成分的使用.html 2.0MB

| | ├──13丨线性降维：主成分的使用.mp3 9.0MB

| | ├──13丨线性降维：主成分的使用.pdf 2.0MB

| | ├──14丨非线性降维：流形学习.html 5.0MB

| | ├──14丨非线性降维：流形学习.mp3 8.0MB

| | ├──14丨非线性降维：流形学习.pdf 7.0MB

| | ├──15丨从回归到分类：联系函数与降维.html 2.0MB

| | ├──15丨从回归到分类：联系函数与降维.mp3 8.0MB

| | ├──15丨从回归到分类：联系函数与降维.pdf 2.0MB

| | ├──16丨建模非正态分布：广义线性模型.html 1.0MB

| | ├──16丨建模非正态分布：广义线性模型.mp3 8.0MB

| | ├──16丨建模非正态分布：广义线性模型.pdf 2.0MB

| | ├──17丨几何角度看分类：支持向量机.html 1.0MB

| | ├──17丨几何角度看分类：支持向量机.mp3 8.0MB

| | ├──17丨几何角度看分类：支持向量机.pdf 2.0MB

| | ├──18丨从全局到局部：核技巧.html 1.0MB

| | ├──18丨从全局到局部：核技巧.mp3 7.0MB

| | ├──18丨从全局到局部：核技巧.pdf 2.0MB

| | ├──19丨非参数化的局部模型：K近邻.html 1.0MB

| | ├──19丨非参数化的局部模型：K近邻.mp3 10.0MB

| | ├──19丨非参数化的局部模型：K近邻.pdf 2.0MB

| | ├──20丨基于距离的学习：聚类与度量学习.html 2.0MB

| | ├──20丨基于距离的学习：聚类与度量学习.mp3 7.0MB

| | ├──20丨基于距离的学习：聚类与度量学习.pdf 2.0MB

| | ├──21丨基函数扩展：属性的非线性化.html 1.0MB

| | ├──21丨基函数扩展：属性的非线性化.mp3 8.0MB

| | ├──21丨基函数扩展：属性的非线性化.pdf 1.0MB

| | ├──22丨自适应的基函数：神经网络.html 1.0MB

| | ├──22丨自适应的基函数：神经网络.mp3 8.0MB

| | ├──22丨自适应的基函数：神经网络.pdf 1.0MB

| | ├──23丨层次化的神经网络：深度学习.html 2.0MB

| | ├──23丨层次化的神经网络：深度学习.mp3 6.0MB

| | ├──23丨层次化的神经网络：深度学习.pdf 2.0MB

| | ├──24丨深度编解码：表示学习.html 1.0MB

| | ├──24丨深度编解码：表示学习.mp3 7.0MB

| | ├──24丨深度编解码：表示学习.pdf 2.0MB

| | ├──25丨基于特征的区域划分：树模型.html 1.0MB

| | ├──25丨基于特征的区域划分：树模型.mp3 7.0MB

| | ├──25丨基于特征的区域划分：树模型.pdf 2.0MB

| | ├──26丨集成化处理：Boosting与Bagging.html 1.0MB

| | ├──26丨集成化处理：Boosting与Bagging.mp3 7.0MB

| | ├──26丨集成化处理：Boosting与Bagging.pdf 2.0MB

| | ├──27丨万能模型：梯度提升与随机森林.html 1.0MB

| | ├──27丨万能模型：梯度提升与随机森林.mp3 8.0MB

| | ├──27丨万能模型：梯度提升与随机森林.pdf 2.0MB

| | ├──总结课丨机器学习的模型体系.html 955KB

| | ├──总结课丨机器学习的模型体系.mp3 6.0MB

| | ├──总结课丨机器学习的模型体系.pdf 1.0MB

| ├──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.html 911KB

| | ├──结课丨终有一天，你将为今天的付出骄傲.mp3 2.0MB

| | ├──结课丨终有一天，你将为今天的付出骄傲.pdf 1.0MB