【5346】-机器学习40讲
课程内容：
180623-09实验设计htm
180828-36确定近似推断：变分贝叶斯.html
180616-06_模型的设计准则htm
180626-10特征预处理htm
180901-38完备数据下的参数学习：有向图与无向图htm
180714-18从全局到局部：核技巧html
180816-31_建模连续分布：高斯网络htm
180811-29有向图模型：贝叶斯网络htm
180705-14非线性降錐：流形学习html
180807-总结课_机器学习的模型体系htm
180728-24深度编解码：表示学习html
180726-23层次化的神经网络：深度学习.html
180630-12正则化处理：收缩方法与边际化htm
180707-15_从回归到分类：联系函数与降维htm
18061907模型的验证方法html
180604开篇词打通修炼机器学习的任督二脉htm
180605-01频率视角下的机器学习htm
80821-33序列化建模：隐马尔可夫模型htm
180823-34连续序列化模型：线性动态系统htm
180804-27_万能模型：梯度提升与随机森林htm
180628-11基础线性回归：一元与多元htm
180724-22自适应的基函数：神经网络html
80710-16_建模非正态分布：广义线性模型htm
180717-19非参数化的局部模型：K近html
180721-21_基函数扩展：属性的非线性化htm
180911课_终有一天，你将为今天的付出骄傲htm
180621-08模型的评估指标htm
180818-32从有限到无限：高斯过程html
180719-20基于距离的学习：聚美与度量学习htm
180712-17几何角度看分类：支持向量机htm
180703-13性降錐：主成分的使用html
180614-05模型的分美方式htm
180802-26集成化处理： boosting.与 Bagging. htm
180731-25基于待征的区域划分：树模型htm
180908-总结课_贝叶斯学习的模型体系htm
180830-37随机近似推断： MCMC.html
180609-03学什么与怎么学htm
180809-28最简单的概率图：朴素贝叶斯htm
180904-39隐变量下的参数学习：EM方法与混合模型htm
180612-04计算学习理论htm
18090640结构学习：基于约束与基于评分html
180607-02贝叶斯视角下的机器学习htm
180825-35精确推断：变量消除及其拓展.htm
180814-30无向图模型：马尔可夫随机场htm
