[机器学习] 国立台湾大学(林轩田) 机器学习(机器学习基石+技法)

1
回复
461
查看
[复制链接]

100

主题

101

帖子

156

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
156
发表于 2019-3-20 16:04:23 | 显示全部楼层 |阅读模式

国立台湾大学(林轩田) 机器学习(机器学习基石+技法)

目录:国立台湾大学(林轩田) 机器学习
      ┣━━2015年国立台湾大学(林轩田) 机器学习基石
      ┃    ┣━━1 - 1 - Course Introduction (10-58)(1).mp4
      ┃    ┣━━1 - 2 - What is Machine Learning (18-28).mp4
      ┃    ┣━━1 - 3 - Applications of Machine Learning (18-56)(1).mp4
      ┃    ┣━━1 - 4 - Components of Machine Learning (11-45)(1).mp4
      ┃    ┣━━1 - 5 - Machine Learning and Other Fields (10-21)(1).mp4
      ┃    ┣━━2 - 1 - Perceptron Hypothesis Set (15-42).mp4
      ┃    ┣━━2 - 2 - Perceptron Learning Algorithm (PLA) (19-46).mp4
      ┃    ┣━━2 - 3 - Guarantee of PLA (12-37).mp4
      ┃    ┣━━2 - 4 - Non-Separable Data (12-55).mp4
      ┃    ┣━━3 - 1 - Learning with Different Output Space (17-26).mp4
      ┃    ┣━━3 - 2 - Learning with Different Data Label (18-12).mp4
      ┃    ┣━━3 - 3 - Learning with Different Protocol (11-09).mp4
      ┃    ┣━━3 - 4 - Learning with Different Input Space (14-13).mp4
      ┃    ┣━━4 - 1 - Learning is Impossible- (13-32).mp4
      ┃    ┣━━4 - 2 - Probability to the Rescue (11-33).mp4
      ┃    ┣━━4 - 3 - Connection to Learning (16-46).mp4
      ┃    ┣━━4 - 4 - Connection to Real Learning (18-06).mp4
      ┃    ┣━━5 - 1 - Recap and Preview (13-44).mp4
      ┃    ┣━━5 - 2 - Effective Number of Lines (15-26).mp4
      ┃    ┣━━5 - 3 - Effective Number of Hypotheses (16-17).mp4
      ┃    ┣━━5 - 4 - Break Point (07-44).mp4
      ┃    ┣━━6 - 1 - Restriction of Break Point (14-18).mp4
      ┃    ┣━━6 - 2 - Bounding Function- Basic Cases (06-56).mp4
      ┃    ┣━━6 - 3 - Bounding Function- Inductive Cases (14-47).mp4
      ┃    ┣━━6 - 4 - A Pictorial Proof (16-01).mp4
      ┃    ┣━━7 - 1 - Definition of VC Dimension (13-10).mp4
      ┃    ┣━━7 - 2 - VC Dimension of Perceptrons (13-27).mp4
      ┃    ┣━━7 - 3 - Physical Intuition of VC Dimension (6-11).mp4
      ┃    ┣━━7 - 4 - Interpreting VC Dimension (17-13).mp4
      ┃    ┣━━8 - 1 - Noise and Probabilistic Target (17-01).mp4
      ┃    ┣━━8 - 2 - Error Measure (15-10).mp4
      ┃    ┣━━8 - 3 - Algorithmic Error Measure (13-46).mp4
      ┃    ┣━━8 - 4 - Weighted Classification (16-54).mp4
      ┃    ┣━━9 - 1 - Linear Regression Problem (10-08).mp4
      ┃    ┣━━9 - 2 - Linear Regression Algorithm (20-03).mp4
      ┃    ┣━━9 - 3 - Generalization Issue (20-34).mp4
      ┃    ┣━━9 - 4 - Linear Regression for Binary Classification (11-23).mp4
      ┃    ┣━━10 - 1 - Logistic Regression Problem (14-33).mp4
      ┃    ┣━━10 - 2 - Logistic Regression Error (15-58).mp4
      ┃    ┣━━10 - 3 - Gradient of Logistic Regression Error (15-38).mp4
      ┃    ┣━━10 - 4 - Gradient Descent (19-18)(1).mp4
      ┃    ┣━━11 - 1 - Linear Models for Binary Classification (21-35).mp4
      ┃    ┣━━11 - 2 - Stochastic Gradient Descent (11-39).mp4
      ┃    ┣━━11 - 3 - Multiclass via Logistic Regression (14-18).mp4
      ┃    ┣━━11 - 4 - Multiclass via Binary Classification (11-35).mp4
      ┃    ┣━━12 - 1 - Quadratic Hypothesis (23-47).mp4
      ┃    ┣━━12 - 2 - Nonlinear Transform (09-52).mp4
      ┃    ┣━━12 - 3 - Price of Nonlinear Transform (15-37).mp4
      ┃    ┣━━12 - 4 - Structured Hypothesis Sets (09-36).mp4
      ┃    ┣━━13 - 1 - What is Overfitting- (10-45).mp4
      ┃    ┣━━13 - 2 - The Role of Noise and Data Size (13-36).mp4
      ┃    ┣━━13 - 3 - Deterministic Noise (14-07).mp4
      ┃    ┣━━13 - 4 - Dealing with Overfitting (10-49).mp4
      ┃    ┣━━14 - 1 - Regularized Hypothesis Set (19-16).mp4
      ┃    ┣━━14 - 2 - Weight Decay Regularization (24-08).mp4
      ┃    ┣━━14 - 3 - Regularization and VC Theory (08-15).mp4
      ┃    ┣━━14 - 4 - General Regularizers (13-28).mp4
      ┃    ┣━━15 - 1 - Model Selection Problem (16-00).mp4
      ┃    ┣━━15 - 2 - Validation (13-24).mp4
      ┃    ┣━━15 - 3 - Leave-One-Out Cross Validation (16-06).mp4
      ┃    ┣━━15 - 4 - V-Fold Cross Validation (10-41).mp4
      ┃    ┣━━16 - 1 - Occam-'s Razor (10-08).mp4
      ┃    ┣━━16 - 2 - Sampling Bias (11-50).mp4
      ┃    ┣━━16 - 3 - Data Snooping (12-28).mp4
      ┃    ┗━━16 - 4 - Power of Three (08-49).mp4
      ┗━━2015年国立台湾大学(林轩田) 机器学习技法
            ┣━━01_Linear_Support_Vector_Machine
            ┃    ┣━━01_Course_Introduction_4-07.mp4
            ┃    ┣━━01_Course_Introduction_4-07.pdf
            ┃    ┣━━02_Large-Margin_Separating_Hyperplane_14-17.mp4
            ┃    ┣━━03_Standard_Large-Margin_Problem_19-16.mp4
            ┃    ┣━━04_Support_Vector_Machine_15-33.mp4
            ┃    ┗━━05_Reasons_behind_Large-Margin_Hyperplane_13-31.mp4
            ┣━━02_Dual_Support_Vector_Machine
            ┃    ┣━━01_Motivation_of_Dual_SVM_15-54.mp4
            ┃    ┣━━01_Motivation_of_Dual_SVM_15-54.pdf
            ┃    ┣━━02_Lagrange_Dual_SVM_18-50.mp4
            ┃    ┣━━03_Solving_Dual_SVM_14-19.mp4
            ┃    ┗━━04_Messages_behind_Dual_SVM_11-18.mp4
            ┣━━03_Kernel_Support_Vector_Machine
            ┃    ┣━━01_Kernel_Trick_20-23.mp4
            ┃    ┣━━01_Kernel_Trick_20-23.pdf
            ┃    ┣━━02_Polynomial_Kernel_12-16.mp4
            ┃    ┣━━03_Gaussian_Kernel_14-43.mp4
            ┃    ┗━━04_Comparison_of_Kernels_13-35.mp4
            ┣━━04_Soft-Margin_Support_Vector_Machine
            ┃    ┣━━01_Motivation_and_Primal_Problem_14-27.mp4
            ┃    ┣━━01_Motivation_and_Primal_Problem_14-27.pdf
            ┃    ┣━━02_Dual_Problem_7-38.mp4
            ┃    ┣━━03_Messages_behind_Soft-Margin_SVM_13-44.mp4
            ┃    ┗━━04_Model_Selection_9-57.mp4
            ┣━━05_Kernel_Logistic_Regression
            ┃    ┣━━01_Soft-Margin_SVM_as_Regularized_Model_13-40.mp4
            ┃    ┣━━01_Soft-Margin_SVM_as_Regularized_Model_13-40.pdf
            ┃    ┣━━02_SVM_versus_Logistic_Regression_10-18.mp4
            ┃    ┣━━03_SVM_for_Soft_Binary_Classification_9-36.mp4
            ┃    ┗━━04_Kernel_Logistic_Regression_16-22.mp4
            ┣━━06_Support_Vector_Regression
            ┃    ┣━━01_Kernel_Ridge_Regression_17-17.mp4
            ┃    ┣━━01_Kernel_Ridge_Regression_17-17.pdf
            ┃    ┣━━02_Support_Vector_Regression_Primal_18-44.mp4
            ┃    ┣━━03_Support_Vector_Regression_Dual_13-05.mp4
            ┃    ┗━━04_Summary_of_Kernel_Models_09-06.mp4
            ┣━━07_Blending_and_Bagging
            ┃    ┣━━01_Motivation_of_Aggregation_18-54.mp4
            ┃    ┣━━01_Motivation_of_Aggregation_18-54.pdf
            ┃    ┣━━02_Uniform_Blending_20-31.mp4
            ┃    ┣━━03_Linear_and_Any_Blending_16-48.mp4
            ┃    ┗━━04_Bagging_Bootstrap_Aggregation_11-48.mp4
            ┣━━08_Adaptive_Boosting
            ┃    ┣━━01_Motivation_of_Boosting_12-47.mp4
            ┃    ┣━━01_Motivation_of_Boosting_12-47.pdf
            ┃    ┣━━02_Diversity_by_Re-weighting_14-28.mp4
            ┃    ┣━━03_Adaptive_Boosting_Algorithm_13-34.mp4
            ┃    ┗━━04_Adaptive_Boosting_in_Action_11-04.mp4
            ┣━━09_Decision_Tree
            ┃    ┣━━01_Decision_Tree_Hypothesis_17-28.mp4
            ┃    ┣━━01_Decision_Tree_Hypothesis_17-28.pdf
            ┃    ┣━━02_Decision_Tree_Algorithm_15-20.mp4
            ┃    ┣━━03_Decision_Tree_Heuristics_in_CRT_13-21.mp4
            ┃    ┗━━04_Decision_Tree_in_Action_8-44.mp4
            ┣━━10_Random_Forest
            ┃    ┣━━01_Random_Forest_Algorithm_13-06.mp4
            ┃    ┣━━01_Random_Forest_Algorithm_13-06.pdf
            ┃    ┣━━02_Out-Of-Bag_Estimate_12-31.mp4
            ┃    ┣━━03_Feature_Selection_19-27.mp4
            ┃    ┗━━04_Random_Forest_in_Action13-28.mp4
            ┣━━11_Gradient_Boosted_Decision_Tree
            ┃    ┣━━01_Adaptive_Boosted_Decision_Tree_15-05.mp4
            ┃    ┣━━01_Adaptive_Boosted_Decision_Tree_15-05.pdf
            ┃    ┣━━02_Optimization_View_of_AdaBoost_27-25.mp4
            ┃    ┣━━03_Gradient_Boosting_18-20.mp4
            ┃    ┗━━04_Summary_of_Aggregation_Models_11-19.mp4
            ┣━━12_Neural_Network
            ┃    ┣━━01_Motivation_20-36.mp4
            ┃    ┣━━01_Motivation_20-36.pdf
            ┃    ┣━━02_Neural_Network_Hypothesis_18-01.mp4
            ┃    ┣━━03_Neural_Network_Learning_20-15.mp4
            ┃    ┗━━04_Optimization_and_Regularization_17-29.mp4
            ┣━━13_Deep_Learning
            ┃    ┣━━01_Deep_Neural_Network_21-30.mp4
            ┃    ┣━━01_Deep_Neural_Network_21-30.pdf
            ┃    ┣━━02_Autoencoder_15-17.mp4
            ┃    ┣━━03_Denoising_Autoencoder_8-30.mp4
            ┃    ┗━━04_Principal_Component_Analysis_31-20.mp4
            ┣━━14_Radial_Basis_Function_Network
            ┃    ┣━━01_RBF_Network_Hypothesis_12-55.mp4
            ┃    ┣━━01_RBF_Network_Hypothesis_12-55.pdf
            ┃    ┣━━02_RBF_Network_Learning_20-08.mp4
            ┃    ┣━━03_k-Means_Algorithm_16-19.mp4
            ┃    ┗━━04_k-Means_and_RBF_Network_in_Action_9-46.mp4
            ┣━━15_Matrix_Factorization
            ┃    ┣━━15 - 1 - Linear Network Hypothesis (20-16).mp4
            ┃    ┣━━15 - 2 - Basic Matrix Factorization (16-32).mp4
            ┃    ┣━━15 - 3 - Stochastic Gradient Descent (12-22).mp4
            ┃    ┣━━15 - 4 - Summary of Extraction Models (9-12).mp4
            ┃    ┗━━215_handout.pdf
            ┗━━16_Finale
                  ┣━━16 - 1 - Feature Exploitation Techniques (16-11).mp4
                  ┣━━16 - 2 - Error Optimization Techniques (8-40).mp4
                  ┣━━16 - 3 - Overfitting Elimination Techniques (6-44).mp4
                  ┣━━16 - 4 - Machine Learning in Action (12-59).mp4
                  ┗━━216_handout.pdf


游客,如果您要查看本帖隐藏内容请回复


回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

我学编程吧-更新最快的IT资源网站,本站资源源自互联网收集及网友分享-如有侵权请点本站右侧邮箱图标获取邮箱地址联系删除!