浙江大学-研究生机器学习课程

这是一份来自浙江大学2017年的研究生机器学习课程资源,由胡老师授权分享。课程涵盖从支持向量机到深度学习的各种主题,包括TensorFlow和Python的应用。课程内容丰富,适合配合《统计学习方法》学习,有助于理解书中未深入讲解的推导。此外,还提供了人工神经网络和深度学习的专题讲解,如卷积神经网络和自编码器。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

浙江大学-研究生机器学习课程

胡老师 巨人之肩的牛顿 今天

收录于话题

#Machine Learning, AI1

#TensorFlow1

#Python1

#浙江大学1

这里推荐个机器学习课程:浙江大学2017年研究生课程之机器学习。我自己看过很多集,特此搬到这里供大家食用。课程的搬运已经得到课程老师胡老师的授权。【可以搭配李航《统计学习方法》一同食用。很多书中没讲清楚的推导,听了胡老师的讲解后恍然大悟】 课程所涉及到的课件和作业以及参考资料均在:www.zjuvipai.com---->teaching页面

 

https://www.bilibili.com/video/BV1dJ411B7gh?p=1

 

图片

 

现在网址打不开,需要资料的朋友,我把原来网址的课件压缩包上传到了网盘上,大家需要自取,链接挂了可以艾特我补档 :D
链接:https://pan.baidu.com/s/1p2JqY27mHpZ5-ivPXoGyQQ
提取码:ugnx

图片

课程目录:图片

第1讲:教科书介绍
第2讲:成绩安排
第3讲:概念介绍
第4讲:这门课的综述内容
第5讲:没有免费午餐定理
第6讲:支持向量机(线性模型)问题
第7讲:支持向量机(现行模型)数学描述
第8讲:支持向量机(线性模型)的图像展示
第9讲:改写优化目标函数和限制条件
第10讲:低维到高维映射
第11讲:原问题和对偶问题
第12讲:支持向量机原问题转化为对偶问题
第13讲:支持向量机-核函数介绍
第14讲:支持向量机的应用-兵王问题(规则介绍)
第15讲:支持向量机的应用-兵王问题(参数设置)
第16讲:支持向量机的应用-兵王问题(测试结果)
第17讲:ROC曲线
第18讲:支持向量机–处理多类问题
第19讲:人工神经网络-神经元的数学模型
第20讲:人工神经网络–感知器算法
第21讲:人工神经网络–人工智能的第一次寒冬
第22讲:人工神经网络–多层神经网络
第23讲:人工神经网络—三层神经网络模拟任意决策面
第24讲:人工神经网络—后向传播算法
第25讲:人工神经网络–参数设置
第26讲:深度学习–数据库准备
第27讲:深度学习–自编码器
第28讲:深度学习–卷积神经网络(LeNet)
第29讲:深度学习–卷积神经网络(AlexNet)
第30讲:深度学习-编程工具(Caffe和Tensorflow)
第31讲:深度学习–近年来流行的网络结构

 

图片

浙江大学人工智能课程课件,内容有: Introduction Problem-solving by search( 4 weeks) Uninformed Search and Informed (Heuristic) Search (1 week) Adversarial Search: Minimax Search, Evaluation Functions, Alpha-Beta Search, Stochastic Search Adversarial Search: Multi-armed bandits, Upper Confidence Bound (UCB),Upper Confidence Bounds on Trees, Monte-Carlo Tree Search(MCTS) Statistical learning and modeling (5 weeks) Probability Theory, Model selection, The curse of Dimensionality, Decision Theory, Information Theory Probability distribution: The Gaussian Distribution, Conditional Gaussian distributions, Marginal Gaussian distributions, Bayes’ theorem for Gaussian variables, Maximum likelihood for the Gaussian, Mixtures of Gaussians, Nonparametric Methods Linear model for regression: Linear basis function models; The Bias-Variance Decomposition Linear model for classification : Basic Concepts; Discriminant Functions (nonprobabilistic methods); Probabilistic Generative Models; Probabilistic Discriminative Models K-means Clustering and GMM & Expectation–Maximization (EM) algorithm, BoostingThe Course Syllabus Deep Learning (4 weeks) Stochastic Gradient Descent, Backpropagation Feedforward Neural Network Convolutional Neural Networks Recurrent Neural Network (LSTM, GRU) Generative adversarial network (GAN) Deep learning in NLP (word2vec), CV (localization) and VQA(cross-media) Reinforcement learning (1 weeks) Reinforcement learning: introduction
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值