这是Mark Schmidt在UBC教机器学习的各种课程的课程材料的集合,包括100多个讲座的材料,涵盖了大量与机器学习相关的主题。

Part 1: Computer Science 340

  1. Supervised Learning Overview

Exploratory Data Analysis

Decision Trees (Notes on Big-O Notation)

Fundamentals of Learning (Notation Guide)

Probabilistic Classifiers (Probability Slides, Notes on Probability)

Non-Parametric Models

Ensemble Methods

  1. Unsupervised Learning Clustering

More Clustering

Outlier Detection

Finding Similar Items

  1. Linear Models Least Squares (Notes on Calculus, Notes on Linear Algebra, Notes on Linear/Quadratic Gradients)

Nonlinear Regression

Gradient Descent

Robust Regression

Feature Selection

Regularization

More Regularization

Linear Classifiers

More Linear Classifiers

Feature Engineering

Convolutions

Kernel Methods

Stochastic Gradient

Boosting

MLE and MAP (Notes on Max and Argmax)

  1. Latent-Factor Models Principal Component Analysis

More PCA

Sparse Matrix Factorization

Recommender Systems

Nonlinear Dimensionality Reduction

  1. Deep Learning Deep Learning

More Deep Learning

Convolutional Neural Networks

More CNNs

Part 2: Data Science 573 and 575

Structure Learning

Sequence Mining

Tensor Basics

Semi-Supervised Learning

PageRank

Part 3: Computer Science 440

A. Binary Random Variables Binary Density Estimation

Bernoulli Distribution

MAP Estimation

Generative Classifiers

Discriminative Classifiers

Neural Networks

Double Descent Curves

Automatic Differentiation

Convolutional Neural Networks

Autoencoders

Fully-Convolutional Networks

B. Categorical Random Variables Monte Carlo Approximation

Conjugate Priors

Bayesian Learning

Empirical Bayes

Multi-Class Classification

What do we learn?

Recurrent Neural Networks

Long Short Term Memory

Attention and Transformers

C. Gaussian Random Variables Univariate Gaussian

Multivariate Gaussian (Motivation)

Multivairate Gaussian (Definition)

Learning Gaussians

Bayesian Linear Regression

End to End Learning

Exponential Family

D. Markov Models Markov Chains

Learning Markov Chains

Message Passing

Markov Chain Monte Carlo

Directed Acyclic Graphical Models

Learning Graphical Models

Log-Linear Models

E. Latent-Variable Models Mixture Models

EM and KDE (Notes on EM)

HMMs and RBMs (Forward-Backward for HMMs)

Topic Models and Variational Inference

VAEs and GANs

成为VIP会员查看完整内容
37

相关内容

剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
33+阅读 · 2021年1月20日
专知会员服务
36+阅读 · 2020年12月18日
专知会员服务
38+阅读 · 2020年12月14日
不可错过!华盛顿大学最新《生成式模型》课程,附PPT
专知会员服务
30+阅读 · 2020年12月11日
【2020新书】概率机器学习,附212页pdf与slides
专知会员服务
78+阅读 · 2020年11月12日
专知会员服务
40+阅读 · 2020年9月7日
专知会员服务
127+阅读 · 2020年1月16日
纽约大学《深度学习》2021课程全部放出,LeCun主讲!
机器学习与推荐算法
2+阅读 · 2021年11月16日
2019年新书-Marc Peter Deisenroth《机器学习基础》-免费分享
深度学习与NLP
15+阅读 · 2019年9月17日
资源|斯坦福课程:深度学习理论!
全球人工智能
15+阅读 · 2017年11月9日
【推荐】免费书(草稿):数据科学的数学基础
机器学习研究会
15+阅读 · 2017年10月1日
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年7月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年4月30日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Arxiv
0+阅读 · 8月8日
Arxiv
0+阅读 · 8月5日
Arxiv
12+阅读 · 2月24日
Arxiv
25+阅读 · 2020年6月19日
Arxiv
21+阅读 · 2018年10月1日
Arxiv
14+阅读 · 2018年8月30日
VIP会员
相关主题
相关VIP内容
剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
33+阅读 · 2021年1月20日
专知会员服务
36+阅读 · 2020年12月18日
专知会员服务
38+阅读 · 2020年12月14日
不可错过!华盛顿大学最新《生成式模型》课程,附PPT
专知会员服务
30+阅读 · 2020年12月11日
【2020新书】概率机器学习,附212页pdf与slides
专知会员服务
78+阅读 · 2020年11月12日
专知会员服务
40+阅读 · 2020年9月7日
专知会员服务
127+阅读 · 2020年1月16日
相关基金
国家自然科学基金
1+阅读 · 2017年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年7月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年4月30日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员