大数据机器学习 - 猎人搜索 轻松搜寻全网资源

• file:group.png
• file:播放列表.dpl
• file:DPL_PYJUN
• file:(20.1)--第20讲深度学习优化方法.pdf
• file:(13.1)--第九章EM算法.pdf
• file:(18.1)--第18讲神经网络和深度学习.pdf
• file:(2.1)--第一章统计学习及监督学习概论-2019.pdf
• file:(8.1)--第六章Logistic回归.pdf
• file:(1.1)--概述-20190919.pdf
• file:[3.4.1]--4.性能度量.srt
• file:[3.7.1]--7.代价敏感错误率.mp4
• file:[3.10.1]--10.偏差和方差.mp4
• file:[10.1.1]--开头.mp4
• file:[10.4.1]--3.序列最小最优化算法.mp4
• file:[10.3.1]--2.核函数和非线性支持向量机.srt
• file:[20.1.1]--1.深度学习的优化问题.srt
• file:[17.3.1]--2.近似推断法：MCMC和变分推断.mp4
• file:[17.2.1]--1.精确推断法：变量消去法和信念传播法.srt
• file:[13.5.1]--4.EM算法在高斯混合模型学习中的应用.srt
• file:[18.3.1]--3.神经网络的基本概念以及常见的神经网络(二）.mp4
• file:[18.1.1]--1.神经网络的发展历程.mp4
• file:[11.6.1]--5.流型学习和度量学习.mp4
• folder:大数据机器学习
• folder:{1}--课程
• folder:{3}--第三章模型性能评估
• folder:{10}--第十章核方法与非线性SVM
• folder:{20}--第二十章深度学习优化方法
• folder:{17}--第十七章概率图模型的学习与推断
• folder:{13}--第十三章EM算法及混合高斯模型
• folder:{18}--第十八章神经网络和深度学习
• folder:{7}--第七章决策树和随机森林
• folder:{12}--第十二章提升方法
• folder:{6}--第六章贝叶斯分类器及图模型
• folder:{8}--第八章逻辑斯谛回归与最大熵模型
• folder:{7}--7.代价敏感错误率
• folder:{6}--6.ROC和AUC曲线
• folder:{4}--3.序列最小最优化算法
• folder:{2}--1.泛函基础知识
• folder:{3}--2.核函数和非线性支持向量机
• folder:{2}--2.神经网络优化的挑战
• folder:{6}--5.EM算法的推广
• folder:{4}--4.玻尔兹曼机
• folder:{2}--2.神经网络的基本概念以及常见的神经网络(一）
• folder:{7}--svm相关拓展资料
• folder:{4}--4.凸优化问题的基本概念
• folder:{2}--2.计算图形式的反向传播算法
• folder:{4}--4.深度学习的正则化方法（二）
• folder:{1}--1.深度学习简介和架构设计
• folder:{3}--2.概率近似正确学习理论
• folder:{1}--1机器学习的基本术语
• folder:{8}--8.过拟合与模型选择
• folder:{10}--10.生成模型和判别模型
• folder:{3}--3.Adaboost算法的解释
• folder:{6}--6.贝叶斯网络结构学习推断
• folder:{5}--5.半朴素贝叶斯分类器
• folder:{3}--2.条件随机场的定义与形式
• folder:{6}--3.4原型聚类层次聚类
• folder:{5}--5.机器学习和统计学习的关系
• folder:{3}--3.深度学习方法和其它人工智能方法的共性和差异