扫码支付

购买商品:课程名称读取中
商品价格:

价格读取中

支付方式:
微信

请扫码进行支付

支付宝

请扫码进行支付

二维码已过期,请点击刷新

  • 课程> 人工智能> 机器学习
  • 机器学习之概率与统计推断

  • 由百度云提供技术支持
    课程目录
    第一章:随机变量及其分布
    • 1. 机器学习之概率与统计基础课程介绍 (免费)
    • 8:13
    • 2. 随机变量及其分布 (免费)
    • 1:22
    • 3. (一)概率公理及推论 (免费)
    • 0:26
    • 4. (1.1)概率 (免费)
    • 2:19
    • 5. (1.2)样本空间和事件
    • 1:37
    • 6. (1.3)概率公理
    • 1:05
    • 7. (1.4)推论
    • 0:52
    • 8. (1.5)联合概率&条件概率
    • 1:42
    • 9. (1.6)贝叶斯公式
    • 5:44
    • 10. (二)随机变量及其分布
    • 1:20
    • 11. (2.1)随机变量
    • 3:18
    • 12. (2.2)随机变量的分布:CDF、pdf
    • 11:10
    • 13. (2.3)分布的概述
    • 24:51
    • 14. (三)常见随机变量概率分布
    • 0:57
    • 15. (3.1)常见离散型随机变量
    • 9:30
    • 16. (3.2)常见连续型随机变量
    • 0:51
    • 17. (3.2.1)高斯分布
    • 8:13
    • 18. (3.2.2)Laplace分布
    • 4:12
    • 19. (3.2.3)Gamma分布和Beta分布
    • 7:02
    • 20. (3.2.4)各分部之间的关系
    • 4:13
    • 21. (四)抽样分布
    • 2:17
    • 22. (4.1)抽样分布
    • 1:31
    • 23. (4.2)样本均值和样本方差
    • 4:17
    • 24. (4.3)弱大数定律
    • 0:55
    • 25. (4.4)中心极限定理
    • 1:35
    • 26. (五)分布的估计
    • 2:10
    • 27. (5.1)直方图估计
    • 2:17
    • 28. (5.2)核密度估计
    • 6:05
    • 29. (5.3)案例分析
    • 10:20
    • 30. (5.4)极大熵原理
    • 16:25
    • 31. 概率第一课课后答疑
    • 7:26
    • 32. 概率第一课作业讲解
    • 16:24
    第二章:多元随机向量及其分布
    • 1. (一)多元随机变量及其分布
    • 3:56
    • 2. (1.1)联合分布
    • 5:31
    • 3. (1.2)边缘分布
    • 3:29
    • 4. (1.3)条件分布
    • 2:49
    • 5. (1.4)贝叶斯规则
    • 5:20
    • 6. (1.5)独立及条件独立
    • 2:23
    • 7. (1.6)协方差
    • 7:54
    • 8. (1.7)互信息及特征选择
    • 14:46
    • 9. (1.8)随机变量之间关系案例:Kaggle竞赛 Rent Listing Inquires数据分析
    • 10:32
    • 10. (二)多元正态分布
    • 2:35
    • 11. (2.1)协方差矩阵及白化
    • 6:33
    • 12. (2.2)高斯判别分析
    • 12:35
    • 13. (三)概率图模型
    • 1:57
    • 14. (3.1)有向图&无向图
    • 5:31
    • 15. (3.2)特殊概率图模型
    • 1:16
    • 16. (3.3)朴素贝叶斯模型及Titanic案例分析
    • 7:46
    • 17. (3.4)Markov链
    • 7:35
    • 18. (3.5)隐马尔科夫模型(HMM)
    • 3:36
    • 19. (3.6)Markov随机场(MRF)
    • 3:07
    • 20. (3.7)条件随机场(CRF)
    • 6:13
    • 21. 概率第二课课后答疑
    • 11:37
    • 22. 概率第二课作业讲解
    • 9:41
    第三章:极大似然估计
    • 1. 前言:参数估计简介
    • 5:41
    • 2. (一)极大似然估计基本思想
    • 5:53
    • 3. (二)常见分布的极大似然估计
    • 0:15
    • 4. (2.1)正态分布参数的MLE及实例解析
    • 10:28
    • 5. (2.2)Bernoulli分布&二项分布参数的MLE
    • 3:41
    • 6. (2.3)多项分布参数的MLE及词袋模型代码讲解
    • 7:25
    • 7. (三)机器学习模型参数的极大似然估计
    • 0:30
    • 8. (3.1)线性回归模型参数的MLE及案例代码解析
    • 23:36
    • 9. (3.2)Logistic回归模型参数的MLE及案例代码解析
    • 18:52
    • 10. (3.3)朴素贝叶斯模型参数的MLE
    • 6:31
    • 11. (3.4)案例代码解析:新闻文档分类、Titanic
    • 19:08
    • 12. (四)估计的评价
    • 1:26
    • 13. (4.1)估计量的评价标准
    • 3:22
    • 14. (4.2)MLE的性质
    • 7:13
    • 15. (4.3)偏差-方差分解
    • 24:10
    • 16. (4.4)方差估计 及 Bootstrap
    • 9:27
    • 17. (4.5)课后练习
    • 1:02
    • 18. 概率第三讲课后答疑
    • 2:17
    第四章:贝叶斯估计
    • 1. (1.1)参数估计及outline
    • 26:04
    • 2. (2.1) 常见分布的共轭先验
    • 0:53
    • 3. (3.1)岭回归:线性回归的正态先验
    • 12:11
    • 4. (3.2)案例:多项式回归
    • 3:29
    • 5. (3.3) Lasso:线性回归的Laplace先验
    • 4:40
    • 6. (3.4) 案例:波士顿房价预测
    • 5:27
    • 7. (4.1)Logistic回归的正态先验和Laplace先验
    • 4:06
    • 8. (4.2) 案例:蘑菇分类
    • 5:05
    • 9. (4.3) 总结
    • 4:20
    • 10. 概率第四讲课后答疑
    • 7:19

    优惠套餐

    机器学习之数学基础系列
    套餐价:¥799.00
    原价:¥997
    • 【课程类型】技术教程 【难度级别】高级 【适合人群】所有人
    • 【课程介绍】
      本门课程是《机器学习之数学基础系列》课程之一,其余两门课程为《机器学习之矩阵》《机器学习之凸优化》。 若想报名系列课程,请访问:http://edu.csdn.net/huiyiCourse/series_detail/49。 本课程正在直播,报名地址:http://edu.csdn.net/huiyiCourse/series_detail/46。
    • 【课程目标】
      理解概率和统计基本概念,会利用合适的概率分布解释机器学习算法原理,运用统计知识求解机器学习模型参数,为后续的机器学习打下扎实的数学基础。
    • 【课程计划】
      7月22日10:00-12:00 随机变量及其分布; 7月23日10:00-12:00 多元随机向量及其分布; 7月29日10:00-12:00 极大似然估计; 7月30日10:00-12:00 贝叶斯估计。

    第一章:随机变量及其分布

    第二章:多元随机向量及其分布

    第三章:极大似然估计

    第四章:贝叶斯估计

    全部评价(3
    好评(3
    中评(0
    差评(0
    发表评价
    可以把习题的答案上传上来吗~~~~??
    2017-08-09 15:56:49
    毕业好多年了,忘都差不多了,强烈建议在讲的时候把符号顺带说明一下含义。
    2017-08-03 15:43:27
    为什么不能下载
    2017-07-22 22:57:00
    AI100
    11课程61728学员
    AI100致力于推进人工智能和数据科学领域的人才培养。目标是在 2025 年前为中国培养100万人工智能工程师,200万各行业数据科学专家,帮助30万中国企业走向智能化。
    所属机构:AI100