模式识别与机器学习
本课程共9集 翻译完 欢迎学习
课程介绍: 本课程面向大学本科三年级以上学生或者具有先验课程基础的学生,通过培养学生认识模式识别的目的和意义,了解模式识别的过程,掌握机器学习的基本算法,并用以解决模式识别基本任务,促进学生应用模式识别处理计算机自动识别事物,掌握机器学习数据分析的相关技术;切实提高机器学习算法的理解与应用,提升对新理论、新方法的把握能力和研究能力,以及正确的解决工程问题的实践能力。课程面向模式识别领域的前沿知识,内容兼顾基本理论和应用实例,紧扣该领域国际发展前沿和热门研究课题,将实例贯穿于知识点,并能够对知识点进行延伸扩展,达到举一反三的目的。
课程列表
【第1集】1.1 什么是模式识别(上) 译
【第2集】1.1 什么是模式识别(下) 译
【第3集】1.2 模式识别数学表达(上) 译
【第4集】1.2 模式识别数学表达(下) 译
【第5集】1.3 特征向量的相关性(上) 译
【第6集】1.3 特征向量的相关性(下) 译
【第7集】1.4 机器学习基本概念(上) 译
【第8集】1.4 机器学习基本概念(下) 译
【第9集】1.5 模型的泛化能力(上) 译
【第10集】1.5 模型的泛化能力(下) 译
【第11集】1.6 评估方法与性能指标(上) 译
【第12集】1.6 评估方法与性能指标(下) 译
【第13集】2.1 MED分类器(上) 译
【第14集】2.1 MED分类器(下) 译
【第15集】2.2 特征白化(上) 译
【第16集】2.2 特征白化(下) 译
【第17集】2.3 MICD分类器 译
【第18集】3.1 贝叶斯决策与MAP分类器(上) 译
【第19集】3.1 贝叶斯决策与MAP分类器(下) 译
【第20集】3.2 MAP分类器:高斯观测概率(上) 译
【第21集】3.2 MAP分类器:高斯观测概率(下) 译
【第22集】3.3 决策风险与贝叶斯分类器(上) 译
【第23集】3.3 决策风险与贝叶斯分类器(下) 译
【第24集】3.4 最大似然估计(上) 译
【第25集】3.4 最大似然估计(下) 译
【第26集】3.5 最大似然的估计偏差(上) 译
【第27集】3.5 最大似然的估计偏差(下) 译
【第28集】3.6 贝叶斯估计(1)(上) 译
【第29集】3.6 贝叶斯估计(1)(下) 译
【第30集】3.7 贝叶斯估计(2)(上) 译
【第31集】3.7 贝叶斯估计(2)(下) 译
【第32集】3.8 KNN估计(上) 译
【第33集】3.8 KNN估计(下) 译
【第34集】3.9 直方图与核密度估计(上) 译
【第35集】3.9 直方图与核密度估计(下) 译
【第36集】4.1 线性判据基本概念(上) 译
【第37集】4.1 线性判据基本概念(下) 译
【第38集】4.2 线性判据学习概述(上) 译
【第39集】4.2 线性判据学习概述(下) 译
【第40集】4.3 并行感知机算法(上) 译
【第41集】4.3 并行感知机算法(下) 译
【第42集】4.4 串行感知机算法(上) 译
【第43集】4.4 串行感知机算法(下) 译
【第44集】4.5 Fisher线性判据(上) 译
【第45集】4.5 Fisher线性判据(下) 译
【第46集】4.6 支持向量机基本概念(上) 译
【第47集】4.6 支持向量机基本概念(下) 译
【第48集】4.7 拉格朗日乘数法(上) 译
【第49集】4.7 拉格朗日乘数法(下) 译
【第50集】4.8 拉格朗日对偶问题(上) 译
【第51集】4.8 拉格朗日对偶问题(下) 译
【第52集】4.9 支持向量机学习算法(上) 译
【第53集】4.9 支持向量机学习算法(下) 译
【第54集】4.10软间隔支持向量机(上) 译
【第55集】4.10软间隔支持向量机(下) 译
【第56集】4.11线性判据多类分类(上) 译
【第57集】4.11线性判据多类分类(下) 译
【第58集】4.12线性回归(上) 译
【第59集】4.12线性回归(下) 译
【第60集】4.13逻辑回归的概念(上) 译
【第61集】4.13逻辑回归的概念(下) 译
【第62集】4.14逻辑回归的学习(上) 译
【第63集】4.14逻辑回归的学习(下) 译
【第64集】4.15Softmax判据的概念(上) 译
【第65集】4.15Softmax判据的概念(下) 译
【第66集】4.16Softmax判据的学习(上) 译
【第67集】4.16Softmax判据的学习(下) 译
【第68集】4.17核支持向量机(上) 译
【第69集】4.17核支持向量机(下) 译
【第70集】5.1 神经网络的概念 译
【第71集】5.2 BP算法(上) 译
【第72集】5.2 BP算法(下) 译
查看全部课程
相关推荐