播放中
[第1课]学习问题
本节课整体简述机器学习内容和方法，举了观众如何评价电影，确定硬币种类，给客户提供贷款，学习葡语等例子，运用各种算法，得出数据引出模型的核心结论。从理论到实际，从抽象到具体。闻所未闻的领域，耳目一新的课堂，别有一番滋味。
[第2课]
学习的可行性
在本节课中，教授主要讲述了机械学中学习的可行性这个问题。对于这个抽象的问题，讲师通过一些具体的事物进行了研究。本节课中主要研究了概率，讲师使用了非常简单易懂的例子，并且由此引出了这门课中最重要的Hoeffding不等式，并详述了其应用。
[第3课]
线性模型
这节课的主题是线性模型，机械学习中非常重要的模型。讲师将由感知器开始，从可分离的数据归纳到不可分离的数据，再进一步归纳到当目标函数不是二元而是实值的情况。我们将掌握线性回归，这个在统计经济学和机械学习中都十分重要的技巧。课程的最后，我们会用学到的知识来归纳对非线性问题的处理方法。
[第4课]
误差和噪声
本节课补充了上节课遗留的非线性变换部分，分别对误差和噪声进行讲解，完善了之前的图解。教授通过举实例使得理论问题更加清晰易懂。对今后几周的学习做了简单的介绍和铺垫。
[第5课]
训练与测试
本视频为机器学习系列课程第5章。主要定量研究训练与测试之间的关系，并引入学习模型中的一个重要概念--断点。课程深入浅出，从正射线、正区间和凸集三个具体例子入手，寻找突破点，从而得出训练集与测试集的关系。
[第6课]
雷蒙保罗MAPA泛化理论
本次课程主题为"泛化理论"，介绍了机械学习相关课程，重点介绍与之相关的公式推导及其应用。本课程的讲师来自加利福尼亚理工学院，电子工程与计算科学学院Yaser Abu-Mostafa教授。课程深入浅出，讲解细腻。
[第7课]
VC维
本讲通过回顾上一讲内容，引出了VC维的定义，它是由统计学习理论定义的有关函数集学习性能的一个重要指标。并通过例子证明函数集的VC维就是它能打散的最大样本数目。课程最后介绍VC维的应用，指出它反映了函数集的学习能力，VC维越大则学习机器越复杂。
[第8课]
偏见方差权衡
本视频为机器学习系列课程第8章。在回顾了VC分析之后，本节课重点介绍了另一个理解泛化的理论：偏见方差权衡，并通过学习曲线的运用比较了VC分析和偏见方差权衡的不同用途。
[第9课]
线性模型II
本课程为加州理工学院的机器学介绍类课程，主要内容包括对线性分类及线性回归分析的简单回顾，以及对逻辑回归分析的模型，误差测定与算法三方面的详细讲解，同时对非线性变换的泛化方法进行了剖析。
[第10课]
神经网络
本节课主要介绍人工神经网络。通过介绍评定模型，随机梯度下降法，生物启发和感知器系统，讲师用视图和数学解析式详细地讲解了神经网络的运行过程以及原理。
扫描左侧二维码下载客户端
