【课程内容】 bat产业利用 (01)机械进修与相关数学初步 (02)数理统计与参数估量 (03)矩阵分析与利用 (04)凸优化初步 (05)回归分析与工程利用 (06)特征工程 (07)工作流程与模子调优 (08)最大熵模子与EM算法 (09)保举系统与利用 (10)聚类算法与利用 (11)决议树随机森林和adaboost (12)SVM (13)贝叶斯方式 (14)主题模子 (15)贝叶斯推理采样与变分 (16)野生神经收集 (17)卷积神经收集 (18)循环神经收集与LSTM (19)Caffe&Tensor Flow&MxNet 简介 (20)贝叶斯收集和HMM (额外补充)词嵌入word embedding july算法教程 1.管窥算法 2.字符串 3.数组 4.树 5.链表递归栈 6.查找排序 7.图论(上) 8.图论下 9.贪心法和静态计划 10.几率分治和机械进修 国防科技大学蔡宣平形式识别 01.概述 02.特征矢量及特征空间、随机矢量、正态散布特征 03.聚类分析的概念、类似性测度 04.类似性测度(二) 05.类间间隔、原则函数 06.聚类算法:简单聚类算法、谱系聚类算法 07.聚类算法:静态聚类算法——C均值聚类算法 08.聚类算法:静态聚类算法——近邻函数算法 09.聚类算法尝试 10.辨别域界面方程分类的概念、线性辨别函数 11.辨别函数值的辨别意义、权空间及解空间、fisher线性辨别 12.线性可分条件下辨别函数权矢量算法 13.一般情况下的辨别函数权矢量算法 14.非线性辨别函数 15.比来邻方式 16.感知器算法尝试 17.最小误判几率原则 18.正态散布的最小误判几率、最小损失原则判决 19.含拒绝判决的最小损失原则、最小最大损失原则 20.Neyman—Pearson判决、实例 21.概述、矩法估量、最大似然估量 22.贝叶斯估量 23.贝叶斯进修 24.概密的窗函数估量方式 25.有限项正交函数级数逼近法 26.毛病率估量 27.小结 28.尝试3-4-5 Bayes分类器-kNN分类器-视频动方针检测 29.概述、种别可分性判据(一) 30.种别可分性判据(二) 31.基于可分性判据的特征提取 32.离散KL变更与特征提取 33.离散KL变更在特征提取与挑选中的利用 34.特征挑选中的间接挑选法 35.综合尝试-图像中的字符识别 炼数成金机械进修 第1课 机械进修概论 第2课 线性回归与Logistic。案例:电子商务业绩猜测 第3课 岭回归,Lasso,变量挑选技术。从一团乱麻中识别有用维度的技能 第4课 降维技术。案例:业绩综合目标设想 第5课 线性分类器,Knn算法,朴实贝叶斯分类器,文本挖掘,案例:智能判定渣滓短信,经过文本挖掘给用户加标签,批评自动分析,用户流失预警 第6课 决议树,组合提升算法,bagging和adaboost,随机森林。案例:运营商用户分析 第7课 支持向量机,为什么能了解SVM的人凤毛麟角 第8课 野生神经收集,单层感知器,线性神经收集,BP神经收集,基于梯度下降的进修算法,图像紧缩和银行用户信誉评价 第9课 通用逼近器径向基函数神经收集,在新概念下审阅PDA和SVM。Hopfield联想记忆型神经收集。案例:字符识别,人脸识别 第10课 几率神经收集和信心贝叶斯分类器 第11课 聚类,孤立点辨别。案例:保举系统,自动品酒器,做弊识别,社会系统团体识别 交大张志华统计机械进修 01、根基概念 02、随机向量 03、随机向量性质 04、多元高斯散布 05、散布性质 06、条件期望 07、多项式散布 08、多元高斯散布及利用 09、渐进性质 10、核界说 11、正定核性质 12、正定核利用 13、核主元分析 14、主元分析 15、主坐标分析 16、期望最大算法 17、几率PCA 18、最大似然估量方式 19、EM算法收敛性 20、MDS方式 21、MDS中加点方式 22、矩阵次导数 23、T矩阵范数 24、次导数 25、spectral clustering 26、K-means algorithm 27、Matrix Completion 28、Fisher辨别分析 29、谱聚类 30、Computational Methods 31、Fisher Discriminant Analysis 32、Kernel FDA 33、Linear classification 34、Naive Bayes方式 35、Support Vector Machines 36、SUM 37、Boosting 南大周志华普适机械进修PPT 台大叶柄成几率 【下载地址】 |
欢迎光临 IT视频教程资源网 (http://allchip.top/) | Powered by Discuz! X3.2 |