阿姆斯特丹大学机器学习简明课程视频与课件UvA - Machine Learning 1

【导读】UvA - Machine Learning 1课程是阿姆斯特丹大学人工智能硕士课程的一部分。该课程由阿姆斯特丹机器学习实验室开发，目前由Erik Bekkers博士提供。

UvA - Machine Learning 1的课程主页（https://uvaml1.github.io）包括讲课的链接(Youtube频道)和相应的pdf注释幻灯片。该系列讲座密切关注Bishop的《模式识别和机器学习》一书。每个视频的开头都有相关章节。

课程内容如下：

• 第一周

• 1.1: 课程简介

• 1.2: 什么是机器学习

• 1.3: 机器学习的类型

• 1.4: 概率轮，贝叶斯理论

• 1.5: 概率论：示例

• 2.1: 期望、方差和协方差

• 2.2: 高斯分布

• 2.3: 最大似然估计

• 2.4: 最大似然估计：示例

• 2.5: 最大后验

• 2.6: 贝叶斯预测

• 第二周

• 3.1: 利用基础函数进行线性回归

• 3.2: 利用最大似然进行线性回归

• 3.3: 随机梯度下降

• 3.4: 欠拟合和过拟合

• 3.5: 正则最小二乘

• 4.1: 模型选择

• 4.2: 偏置方差分解

• 4.3: 高斯后验

• 4.4: 序列贝叶斯学习

• 4.5: 贝叶斯预测分布

• 第三周

• 5.1: 等价核

• 5.2: 贝叶斯模型对比

• 5.3: 模型证据近似/经验贝叶斯

• 5.4: 使用决策区域分类

• 5.5: 决策理论

• 5.6: 概率生成式模型

• 6.1: 概率生成式模型: 最大似然

• 6.2: 概率生成式模型: 离散数据 （朴素贝叶斯）

• 6.3: 判别函数

• 6.4: 判别函数: 最小二乘回归

• 6.5: 判别函数: 感知器

• 第四周：

• 7.1: 利用基础函数进行分类

• 7.2: 概率判别式模型：逻辑回归

• 7.3: 逻辑回归：随机梯度下降

• 7.4: 逻辑回归：牛顿-拉夫逊方法

• 8.1: 神经网络

• 8.2: 神经网络: 万能近似理论

• 8.3: 神经网络: 损失

• 8.4: 神经网络: 随机梯度下降

• 8.5: 神经网络: 反向传播

• 第五周

• 9.1: 无监督学习 - 隐变量模型

• 9.2: K-Means聚类

• 9.3: 拉格朗日乘子

• 9.4: 高斯混合模型和EM算法

• 10.1: 主成分分析: 最大方差

• 10.2: 主成分分析: 最小重构损失

• 10.3: 概率主成分分析

• 10.4: 非线性主成分分析（核PCA和自编码器）

• 第六周

• 11.1: 核化线性模型

• 11.2: 核技巧

• 11.3: 支持向量机: 最大间隔分类器

• 11.4: 不等约束优化 （对偶拉格朗日）

• 11.5: 支持向量机: 核SVM

• 11.6: 支持向量机：软间隔分类器

• 12.1: 高斯的一些有用的属性

• 12.2: 核化贝叶斯回归

• 12.3: 高斯过程

• 12.4: 高斯过程：With An Exponential Kernel

• 12.5: 高斯过程：回归

• 第七周

• 13.1: 模型组合方法（vs贝叶斯模型平均法）

• 13.2: Bootstrapping方法和Feature Bagging方法

• 13.3: Adaboost方法

• 13.4: 决策树和随机森林

参考资料：

• https://uvaml1.github.io

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“UVAM1” 就可以获取UvA - Machine Learning 1课程视频与PDF专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“阅读原文”，了解使用专知，查看获取5000+AI主题知识资源