文件内容:
file:group.png
file:本资源说明.pdf
file:DPL_PYJUN
file:播放列表.dpl
file:修复播放列表.bat
file:banner.png
file:more.png
file:(15.1)--第15讲隐马尔可夫模型.pdf
file:ocean.png
file:(18.1)--第18讲神经网络和深度学习.pdf
file:pikaso.png
file:(1.1)--概述-20190919.pdf
file:source.png
file:kkzy.top.jpg
file:group.png
file:(5.1)--第五章聚类.pdf
file:(7.1)--第五章决策树.pdf
file:(8.1)--第六章Logistic回归.pdf
file:(19.1)--第19讲深度学习正则化方法.pdf
file:(4.1)--第二章感知机.pdf
file:(2.1)--第一章统计学习及监督学习概论-2019.pdf
file:(14.1)--第14讲计算学习理论.pdf
file:(6.1)--第四章贝叶斯分类器.pdf
file:(13.1)--第九章EM算法.pdf
file:(20.1)--第20讲深度学习优化方法.pdf
file:[15.1.1]--开头.mp4
file:[15.1.1]--开头.srt
file:[15.2.1]--1.隐马尔科夫模型的基本概念.mp4
file:[15.2.1]--1.隐马尔科夫模型的基本概念.srt
file:[15.3.1]--2.概率计算算法.mp4
file:[15.3.1]--2.概率计算算法.srt
file:[15.4.1]--3.学习算法.mp4
file:[15.4.1]--3.学习算法.srt
file:[15.5.1]--4.预测算法.srt
file:[15.5.1]--4.预测算法.mp4
file:[18.1.1]--1.神经网络的发展历程.srt
file:[18.1.1]--1.神经网络的发展历程.mp4
file:[18.5.1]--5.深度学习.mp4
file:[18.5.1]--5.深度学习.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）.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:[18.4.1]--4.玻尔兹曼机.srt
file:[18.4.1]--4.玻尔兹曼机.mp4
file:[18.2.1]--2.神经网络的基本概念以及常见的神经网络(一）.mp4
file:[18.2.1]--2.神经网络的基本概念以及常见的神经网络(一）.srt
file:[1.4.1]--4.机器学习和数据挖掘的关系.mp4
file:[1.4.1]--4.机器学习和数据挖掘的关系.srt
file:[1.2.1]--2.机器学习和人工智能的关系.mp4
file:[1.2.1]--2.机器学习和人工智能的关系.srt
file:[1.7.1]--7.大数据机器学习的主要特点.srt
file:[1.7.1]--7.大数据机器学习的主要特点.mp4
file:[1.5.1]--5.机器学习和统计学习的关系.mp4
file:[1.5.1]--5.机器学习和统计学习的关系.srt
file:[1.1.1]--1.机器学习定义和典型应用.srt
file:[1.1.1]--1.机器学习定义和典型应用.mp4
file:[1.6.1]--6.机器学习的发展历程.mp4
file:[1.6.1]--6.机器学习的发展历程.srt
file:[1.3.1]--3.深度学习方法和其它人工智能方法的共性和差异.mp4
file:[1.3.1]--3.深度学习方法和其它人工智能方法的共性和差异.srt
file:[17.2.1]--1.精确推断法：变量消去法和信念传播法.mp4
file:[17.2.1]--1.精确推断法：变量消去法和信念传播法.srt
file:[17.1.1]--开头.srt
file:[17.1.1]--开头.mp4
file:[17.3.1]--2.近似推断法：MCMC和变分推断.srt
file:[17.3.1]--2.近似推断法：MCMC和变分推断.mp4
file:[16.2.1]--1.概率无向图模型.srt
file:[16.2.1]--1.概率无向图模型.mp4
file:[16.3.1]--2.条件随机场的定义与形式.mp4
file:[16.3.1]--2.条件随机场的定义与形式.srt
file:[16.5.1]--4.条件随机场的学习算法.mp4
file:[16.5.1]--4.条件随机场的学习算法.srt
file:[16.4.1]--3.条件随机场的计算问题.mp4
file:[16.4.1]--3.条件随机场的计算问题.srt
file:[16.1.1]--开头.mp4
file:[16.1.1]--开头.srt
file:[16.6.1]--5.条件随机场的预测算法.srt
file:[16.6.1]--5.条件随机场的预测算法.mp4
file:[5.3.1]--3.1原型聚类k均值算法.srt
file:[5.3.1]--3.1原型聚类k均值算法.mp4
file:[5.2.1]--2.性能度量.mp4
file:[5.2.1]--2.性能度量.srt
file:[5.4.1]--3.2原型聚类学习向量算法.mp4
file:[5.4.1]--3.2原型聚类学习向量算法.srt
file:[5.1.1]--1.原型聚类描述.mp4
file:[5.1.1]--1.原型聚类描述.srt
file:[5.6.1]--3.4原型聚类层次聚类.srt
file:[5.6.1]--3.4原型聚类层次聚类.mp4
file:[5.5.1]--3.3原型聚类密度聚类.mp4
file:[5.5.1]--3.3原型聚类密度聚类.srt
file:[7.4.1]--3.决策树的生成.mp4
file:[7.4.1]--3.决策树的生成.srt
file:[7.5.1]--4.决策树的减枝.mp4
file:[7.5.1]--4.决策树的减枝.srt
file:[7.3.1]--2.信息量和熵.srt
file:[7.3.1]--2.信息量和熵.mp4
file:[7.7.1]--6.随机森林.srt
file:[7.7.1]--6.随机森林.mp4
file:[7.6.1]--5.CART算法.mp4
file:[7.6.1]--5.CART算法.srt
file:[7.2.1]--1.决策树模型与学习基本概念.srt
file:[7.2.1]--1.决策树模型与学习基本概念.mp4
folder:大数据机器学习
folder:大数据机器学习(2021秋)
folder:{1}--课程
folder:{15}--第十五章隐马尔可夫模型
folder:{18}--第十八章神经网络和深度学习
folder:{1}--第一章概述
folder:{17}--第十七章概率图模型的学习与推断
folder:{16}--第十六章条件随机场
folder:{5}--第五章聚类
folder:{7}--第七章决策树和随机森林
folder:{10}--第十章核方法与非线性SVM
folder:{9}--第九章SVM
folder:{8}--第八章逻辑斯谛回归与最大熵模型
folder:{19}--第十九章深度学习正则化方法
folder:{4}--第四章感知机
folder:{2}--第二章机器学习基本概念
folder:{14}--第十四章计算学习理论
folder:{3}--第三章模型性能评估
folder:{12}--第十二章提升方法
folder:{11}--第十一章降维与度量学习
folder:{6}--第六章贝叶斯分类器及图模型
folder:{13}--第十三章EM算法及混合高斯模型
folder:{20}--第二十章深度学习优化方法
folder:{1}--开头
folder:{2}--1.隐马尔科夫模型的基本概念
folder:{3}--2.概率计算算法
folder:{4}--3.学习算法
folder:{5}--4预测算法
folder:{1}--1.神经网络的发展历程
folder:{5}--5.深度学习
folder:{3}--3.神经网络的基本概念以及常见的神经网络(二）
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:{4}--4.机器学习和数据挖掘的关系
folder:{2}--2.机器学习和人工智能的关系
folder:{7}--7.大数据机器学习的主要特点
folder:{5}--5.机器学习和统计学习的关系
folder:{1}--1.机器学习定义和典型应用
folder:{6}--6.机器学习的发展历程
folder:{3}--3.深度学习方法和其它人工智能方法的共性和差异
folder:{2}--1.精确推断法：变量消去法和信念传播法
folder:{1}--开头
folder:{3}--2.近似推断法：MCMC和变分推断
folder:{2}--1.概率无向图模型
folder:{3}--2.条件随机场的定义与形式
folder:{5}--4.条件随机场的学习算法
folder:{4}--3.条件随机场的计算问题
folder:{1}--开头
folder:{6}--5.条件随机场的预测算法
folder:{3}--3.1原型聚类k均值算法
folder:{2}--2.性能度量
folder:{4}--3.2原型聚类学习向量算法
folder:{1}--1.原型聚类描述
folder:{6}--3.4原型聚类层次聚类
folder:{5}--3.3原型聚类密度聚类
folder:{4}--3.决策树的生成
folder:{5}--4.决策树的减枝
folder:{3}--2.信息量和熵
folder:{7}--6.随机森林
folder:{6}--5.CART算法
folder:{2}--1.决策树模型与学习基本概念
folder:{1}--开头
folder:{3}--2.核函数和非线性支持向量机
folder:{2}--1.泛函基础知识
folder:{4}--3.序列最小最优化算法
folder:{1}--开头
folder:{6}--6.线性支持向量机
folder:{4}--4.凸优化问题的基本概念
folder:{1}--1.开头
folder:{7}--svm相关拓展资料
folder:{2}--2.SVM简介
folder:{3}--3.线性可分支持向量机
folder:{5}--5.支持向量的确切定义
folder:{2}--1.逻辑斯谛回归模型
folder:{3}--2.最大熵模型
folder:{1}--简介
folder:{4}--3.模型学习的最优化方法
folder:{4}--4.深度学习的正则化方法（二）
folder:{3}--3.深度学习的正则化方法（一）
folder:{1}--1.深度学习简介和架构设计
folder:{2}--2.计算图形式的反向传播算法
folder:{2}--2.感知机学习策略
folder:{3}--3.感知机学习算法
folder:{1}--1.感知机模型
folder:{8}--8.过拟合与模型选择
folder:{10}--10.生成模型和判别模型
folder:{9}--9.泛化能力
folder:{1}--1机器学习的基本术语
folder:{4}--4.学习方法三要素
folder:{7}--7.训练误差和测试误差
folder:{5}--5.奥卡姆剃刀定理
folder:{2}--2.监督学习
folder:{6}--6.没有免费的午餐定理
folder:{3}--3.假设空间
folder:{4}--3.有限假设空间
folder:{2}--1.计算学习理论的基础知识
folder:{1}--开头
folder:{6}--5.学习稳定性
folder:{5}--4.VC维
folder:{3}--2.概率近似正确学习理论
folder:{6}--6.ROC和AUC曲线
folder:{7}--7.代价敏感错误率
folder:{3}--3.自助法
folder:{2}--2.交叉验证法
folder:{4}--4.性能度量
folder:{1}--1.留出法
folder:{5}--5.PR曲线
folder:{9}--9.T检验
folder:{10}--10.偏差和方差
folder:{8}--8.假设检验
folder:{4}--4.Adaboost的实现
folder:{5}--adaboost拓展资料
folder:{1}--1.提升方法Adaboost算法
folder:{3}--3.Adaboost算法的解释
folder:{2}--2.Adaboost算法的训练误差分析
folder:{6}--5.流型学习和度量学习
folder:{2}--1.k近邻学习
folder:{1}--开头
folder:{4}--3.主成分分析
folder:{5}--4.核化线性降维
folder:{3}--2.降维嵌入
folder:{6}--6.贝叶斯网络结构学习推断
folder:{1}--1.综述
folder:{7}--7.吉布斯采样
folder:{3}--3.贝叶斯网络
folder:{4}--4.朴素贝叶斯分类器
folder:{2}--2.概率图模型
folder:{5}--5.半朴素贝叶斯分类器
folder:{1}--开头
folder:{6}--5.EM算法的推广
folder:{3}--2.EM算法的引入
folder:{2}--1.问题提出
folder:{5}--4.EM算法在高斯混合模型学习中的应用
folder:{4}--3.EM算法的收敛性
folder:{3}--3.神经网络的优化算法
folder:{4}--4.相关策略
folder:{1}--1.深度学习的优化问题
folder:{2}--2.神经网络优化的挑战