机器学习原理与应用入门：从代码展示到模型架构

了解机器学习的含义和基本范式，熟悉KNN算法和代码展示

了解逻辑斯蒂回归模型的架构，认识PCA、神经网络和SVM

资源目录

第 1 讲机器学习引入

1.1机器学习是什么 时长 06:17

1.2什么是模型 时长 08:23

1.3监督学习与损失函数 时长 06:43

1.4梯度下降 时长 14:04

1.5数据标注的价值 时长 04:12

1.6代码展示（一） 时长 09:26

1.7代码展示（二） 时长 09:04

1.8代码展示（三） 时长 07:36

第 2 讲分类问题

2.1机器学习的三大基本范式（一） 时长 09:03

2.2机器学习的三大基本范式（二） 时长 07:45

2.3监督学习中分类、回归及特征是什么 时长 09:31

2.4感知机 时长 09:59

2.5代价函数 时长 10:12

2.6随机梯度下降、如何判断分类器的好坏 时长 10:44

2.7感知机的缺陷及课程总结 时长 07:24

2.8代码展示 时长 09:07

第 3 讲KNN算法

3.1KNN算法是什么 时长 10:19

3.2如何选择KNN中的K 时长 13:48

3.3过拟合和交叉验证 时长 11:14

3.4代码展示及KNN算法的问题 时长 13:38

第 4 讲机器学习背后的数学（上）

4.1机器学习什么时候会成功 时长 06:55

4.2如何用概率论度量模型的不确定性（一） 时长 08:24

4.3如何用概率论度量模型的不确定性（二） 时长 12:31

4.4如何用概率论度量模型的不确定性（三） 时长 13:33

4.5如何用概率论度量模型的不确定性（四） 时长 11:14

4.6如何用概率论度量模型的不确定性（五） 时长 08:46

4.7模型误差的两种分类（一） 时长 13:44

4.8模型误差的两种分类（二） 时长 12:28

4.9模型误差的两种分类（三） 时长 13:24

4.10代码展示 时长 06:24

第 5 讲机器学习背后的数学（下）

5.1如何选择好的特征值（一） 时长 12:03

5.2如何选择好的特征值（二） 时长 10:30

5.3如何选择好的特征值（三） 时长 10:48

5.4正则化（一） 时长 13:54

5.5正则化（二） 时长 12:09

5.6代码展示（一） 时长 10:08

5.7代码展示（二） 时长 13:08

第 6 讲加入概率更健康之逻辑斯蒂回归

6.1逻辑斯蒂模型的架构 时长 10:41

6.2交叉熵KL散度 时长 12:18

6.3如何度量模型的目标（一） 时长 15:19

6.4如何度量模型的目标（二） 时长 13:24

6.5如何求解逻辑斯蒂回归模型的优化问题（一） 时长 13:15

6.6如何求解逻辑斯蒂回归模型的优化问题（二） 时长 07:33

6.7代码展示（一） 时长 10:36

6.8代码展示（二） 时长 13:59

6.9代码展示（三） 时长 05:42

第 7 讲模拟人类理性的决策树

7.1决策树是什么 时长 09:34

7.2信息熵，如何衡量哪些特征重要 时长 09:38

7.3如何用信息增益在决策树中选择特征（一） 时长 11:41

7.4如何用信息增益在决策树中选择特征（二） 时长 04:45

7.5决策树的构建何时停下来 时长 13:49

7.6决策树如何应对连续特征 时长 14:52

7.7决策树如何应对过拟合 时长 03:59

7.8随机森林在回归问题上的代码演示 时长 10:10

第 8 讲集群模型

8.1复习决策树 时长 06:08

8.2Bagging方法 时长 05:27

8.3Boosting方法（一） 时长 09:28

8.4Boosting方法（二） 时长 08:54

8.5Boosting方法（三） 时长 06:48

8.6Boosting方法（四） 时长 09:35

第 9 讲PCA

9.1主成分分析背后的直觉 时长 13:54

9.2PCA怎么做 时长 08:18

9.3代码展示（一） 时长 10:31

9.4代码展示（二） 时长 09:30

第 10 讲升维大法之神经网络

10.1传统机器学习方法的问题（一） 时长 06:13

10.2传统机器学习方法的问题（二） 时长 10:18

10.3神经网络的历史发展 时长 06:27

10.4神经网络三要素之一：权重矩阵 时长 08:43

10.5神经网络三要素之激活函数、决策层 时长 10:47

10.6网页展示 时长 09:07

第 11 讲升维大法之SVM

11.1SVM的目标：如何将间隔最大化 时长 09:07

11.2SVM要解决什么样的优化问题 时长 10:20

11.3拉格朗日最优问题的解法（一） 时长 08:34

11.4拉格朗日最优问题的解法（二） 时长 07:55

11.5SVM中的软间隔 时长 09:25

11.6SVM中的核函数 时长 06:59

11.7核函数为什么有用（一） 时长 05:32

11.8核函数为什么有用（二） 时长 10:37

11.9SVM与其他模型的对比 时长