机器学习-浙江大学研究生课程
Posted yangbocsu
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习-浙江大学研究生课程相关的知识,希望对你有一定的参考价值。
机器学习-浙江大学研究生课程
- 第1讲:教科书介绍
- 第2讲:成绩安排
- 第3讲:概念介绍
- 第4讲:这门课的综述内容
- 第5讲:没有免费午餐定理
- 第6讲:支持向量机(线性模型)问题
- 第12讲:支持向量机原问题转化为对偶问题
- 第13讲:支持向量机-核函数介绍
- 第14讲:支持向量机的应用-兵王问题(规则介绍)
- 第15讲:支持向量机的应用-兵王问题(参数设置)
- 第16讲:支持向量机的应用-兵王问题(测试结果)
- 第17讲:ROC曲线
- 第18讲:支持向量机–处理多类问题
- 第19讲:人工神经网络-神经元的数学模型
- 第20讲:人工神经网络–感知器算法
- 第21讲:人工神经网络–人工智能的# 第一次寒冬
- 第22讲:人工神经网络–多层神经网络
- 第23讲:人工神经网络—三层神经网络模拟任意决策面
- 第24讲:人工神经网络—后向传播算法
- 第25讲:人工神经网络–参数设置
- 第26讲:深度学习–数据库准备
- 第27讲:深度学习–自编码器
- 第28讲:深度学习–卷积神经网络(LeNet)
- 第29讲:深度学习–卷积神经网络(AlexNet)
- 第30讲:深度学习-编程工具(Caffe和Tensorflow)
- 第31讲:深度学习–近年来流行的网络结构
- 第32讲:深度学习–卷积神经网络的应用
- 第33讲:AlphaGo(围棋规则)
- 第34讲:AlphaGo(围棋有必胜策略的证明)
- 第35讲:增强学习(Q-Learning)
- 第36讲:增强学习(Policy Gradient)
- 第37讲:增强学习(AlphaGo)
- 第38讲:特征提取–主成分分析(PCA)
- 第39讲:特征选择–自适应提升(AdaBoost)
- 第40讲:目标检测(RCNN和FCN)
- 第41讲:概率分类法概述
- 第42讲:概率密度估计–朴素贝叶斯分类器
- 第43讲:概率密度估计–高斯密度函数
- 第44讲:概率密度估计–高斯混合模型
- 第45讲:EM算法(高斯混合模型和K-均值算法)
- 第46讲:K-均值算法在图像压缩方面的应用
- 第47讲:高斯混合模型在说话人识别方面的应用
- 第48讲:EM算法(收敛性证明)
- 第49讲:语音识别概述
- 第50讲:隐含马尔科夫过程
- 第51讲:大词汇量连续语音识别介绍
- 第52讲:循环神经网络(RNN)和LSTM
- 第53讲:人工智能中的哲学-缸中之脑
- 第54讲:人工智能中的哲学-意识问题
- 第55讲:人工智能中的哲学-图灵测试
- 第56讲:人工智能中的哲学-世界是否有规律
- 第57讲:人工智能中的哲学-中文屋子假想试验
- 第58讲:人工智能中的哲学-创造力和洞穴理论
- 第59讲:人工智能中的哲学-生成对抗网络
- 第60讲:人工智能中的哲学-道德难题.
- 第61讲:人工智能中的哲学-未来展望
第1讲:教科书介绍
第2讲:成绩安排
第3讲:概念介绍
第4讲:这门课的综述内容
第5讲:没有免费午餐定理
第6讲:支持向量机(线性模型)问题
支持向量机(Support Vector Machine, SVM);Vapnik发明的。
线性模型
既然有无数条直线可以分开 o x, 那么那一条直线是最好的?
非线性模型一改写优化目标函数和限制条件
低维到高维映射
原问题和对偶问题
第12讲:支持向量机原问题转化为对偶问题
第13讲:支持向量机-核函数介绍
第14讲:支持向量机的应用-兵王问题(规则介绍)
第15讲:支持向量机的应用-兵王问题(参数设置)
第16讲:支持向量机的应用-兵王问题(测试结果)
第17讲:ROC曲线
第18讲:支持向量机–处理多类问题
第19讲:人工神经网络-神经元的数学模型
第20讲:人工神经网络–感知器算法
第21讲:人工神经网络–人工智能的# 第一次寒冬
第22讲:人工神经网络–多层神经网络
第23讲:人工神经网络—三层神经网络模拟任意决策面
第24讲:人工神经网络—后向传播算法
第25讲:人工神经网络–参数设置
第26讲:深度学习–数据库准备
第27讲:深度学习–自编码器
第28讲:深度学习–卷积神经网络(LeNet)
第29讲:深度学习–卷积神经网络(AlexNet)
第30讲:深度学习-编程工具(Caffe和Tensorflow)
第31讲:深度学习–近年来流行的网络结构
第32讲:深度学习–卷积神经网络的应用
第33讲:AlphaGo(围棋规则)
第34讲:AlphaGo(围棋有必胜策略的证明)
第35讲:增强学习(Q-Learning)
第36讲:增强学习(Policy Gradient)
第37讲:增强学习(AlphaGo)
第38讲:特征提取–主成分分析(PCA)
第39讲:特征选择–自适应提升(AdaBoost)
第40讲:目标检测(RCNN和FCN)
第41讲:概率分类法概述
第42讲:概率密度估计–朴素贝叶斯分类器
第43讲:概率密度估计–高斯密度函数
第44讲:概率密度估计–高斯混合模型
第45讲:EM算法(高斯混合模型和K-均值算法)
第46讲:K-均值算法在图像压缩方面的应用
第47讲:高斯混合模型在说话人识别方面的应用
第48讲:EM算法(收敛性证明)
第49讲:语音识别概述
第50讲:隐含马尔科夫过程
第51讲:大词汇量连续语音识别介绍
第52讲:循环神经网络(RNN)和LSTM
第53讲:人工智能中的哲学-缸中之脑
第54讲:人工智能中的哲学-意识问题
第55讲:人工智能中的哲学-图灵测试
第56讲:人工智能中的哲学-世界是否有规律
第57讲:人工智能中的哲学-中文屋子假想试验
第58讲:人工智能中的哲学-创造力和洞穴理论
第59讲:人工智能中的哲学-生成对抗网络
第60讲:人工智能中的哲学-道德难题.
第61讲:人工智能中的哲学-未来展望
以上是关于机器学习-浙江大学研究生课程的主要内容,如果未能解决你的问题,请参考以下文章