【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