机器学习之概率与统计推断—19286人已学习
课程介绍
本课程讲解机器学习算法所需概率和统计推断知识。概率部分包括概率公理及推论、条件概率、贝叶斯公式、随机变量及其概率函数(CDF/pdf)、常用概率分布及其均值、方差;统计推断部分包括大数定律和中心极限定理、极大似然估计、贝叶斯估计,估计的评价、偏差-方差平衡。课程还会讲解假设检验的基本概念。
课程收益
购买课程后添加小助手为好友(微信ID:superaihelper)加入课程讨论群。理解概率和统计基本概念,会利用合适的概率分布解释机器学习算法原理,运用统计知识求解机器学习模型参数,为后续的机器学习打下扎实的数学基础。
讲师介绍
AI100 更多讲师课程
AI100致力于推进人工智能和数据科学领域的人才培养。目标是在 2025 年前为中国培养100万人工智能工程师,200万各行业数据科学讲师,帮助30万中国企业走向智能化。
课程大纲
第1章:随机变量及其分布
1. 概率与统计推断课程介绍 7:14
2. (一)概率基础 11:12
3. (二)随机变量及其分布函数 13:03
4. (三)分布的单值概述 18:18
5. (四)常见随机变量分布 35:16
6. (五)抽样分布 17:04
7. (六)概率密度估计 17:28
8. (七)案例:Rent Listing Requries数据集探索及特征的分布估计 16:21
9. (八)极大熵原理 11:21
10. 概率第一课课后答疑 7:26
11. 概率第一课作业讲解 16:24
第2章:多元随机向量及其分布
1. (一)多元随机变量及其分布 3:56
2. (1.1)联合分布 5:31
3. (1.2)边缘分布 3:29
4. (1.3)条件分布 2:49
5. (1.4)贝叶斯规则 5:20
6. (1.5)独立及条件独立 2:23
7. (1.6)协方差 7:54
8. (1.7)互信息及特征选择 14:46
9. (1.8)随机变量之间关系案例:Kaggle竞赛 Rent Listing Inquires数据分析 10:32
10. (二)多元正态分布 2:35
11. (2.1)协方差矩阵及白化 6:33
12. (2.2)高斯判别分析 12:35
13. (三)概率图模型 1:57
14. (3.1)有向图&无向图 5:31
15. (3.2)特殊概率图模型 1:16
16. (3.3)朴素贝叶斯模型及Titanic案例分析 7:46
17. (3.4)Markov链 7:35
18. (3.5)隐马尔科夫模型(HMM) 3:36
19. (3.6)Markov随机场(MRF) 3:07
20. (3.7)条件随机场(CRF) 6:13
21. 概率第二课课后答疑 11:37
22. 概率第二课作业讲解 9:41
第3章:极大似然估计
1. 前言:参数估计简介 5:41
2. (一)极大似然估计基本思想 5:53
3. (二)常见分布的极大似然估计 0:15
4. (2.1)正态分布参数的MLE及实例解析 10:28
5. (2.2)Bernoulli分布&二项分布参数的MLE 3:41
6. (2.3)多项分布参数的MLE及词袋模型代码讲解 7:25
7. (三)机器学习模型参数的极大似然估计 0:30
8. (3.1)线性回归模型参数的MLE及案例代码解析 23:36
9. (3.2)Logistic回归模型参数的MLE及案例代码解析 18:52
10. (3.3)朴素贝叶斯模型参数的MLE 6:31
11. (3.4)案例代码解析:新闻文档分类、Titanic 19:08
12. (四)估计的评价 1:26
13. (4.1)估计量的评价标准 3:22
14. (4.2)MLE的性质 7:13
15. (4.3)偏差-方差分解 24:10
16. (4.4)方差估计 及 Bootstrap 9:27
17. (4.5)课后练习 1:02
18. 概率第三讲课后答疑 2:17
第4章:贝叶斯估计
1. (1.1)参数估计及outline 26:04
2. (2.1) 常见分布的共轭先验 0:53
3. (3.1)岭回归:线性回归的正态先验 12:11
4. (3.2)案例:多项式回归 3:29
5. (3.3) Lasso:线性回归的Laplace先验 4:40
6. (3.4) 案例:波士顿房价预测 5:27
7. (4.1)Logistic回归的正态先验和Laplace先验 4:06
8. (4.2) 案例:蘑菇分类 5:05
9. (4.3) 总结 4:20
10. 概率第四讲课后答疑 7:19
大家可以点击【 查看详情】查看我的课程
课程介绍
本课程讲解机器学习算法所需概率和统计推断知识。概率部分包括概率公理及推论、条件概率、贝叶斯公式、随机变量及其概率函数(CDF/pdf)、常用概率分布及其均值、方差;统计推断部分包括大数定律和中心极限定理、极大似然估计、贝叶斯估计,估计的评价、偏差-方差平衡。课程还会讲解假设检验的基本概念。
课程收益
购买课程后添加小助手为好友(微信ID:superaihelper)加入课程讨论群。理解概率和统计基本概念,会利用合适的概率分布解释机器学习算法原理,运用统计知识求解机器学习模型参数,为后续的机器学习打下扎实的数学基础。
讲师介绍
AI100 更多讲师课程
AI100致力于推进人工智能和数据科学领域的人才培养。目标是在 2025 年前为中国培养100万人工智能工程师,200万各行业数据科学讲师,帮助30万中国企业走向智能化。
课程大纲
第1章:随机变量及其分布
1. 概率与统计推断课程介绍 7:14
2. (一)概率基础 11:12
3. (二)随机变量及其分布函数 13:03
4. (三)分布的单值概述 18:18
5. (四)常见随机变量分布 35:16
6. (五)抽样分布 17:04
7. (六)概率密度估计 17:28
8. (七)案例:Rent Listing Requries数据集探索及特征的分布估计 16:21
9. (八)极大熵原理 11:21
10. 概率第一课课后答疑 7:26
11. 概率第一课作业讲解 16:24
第2章:多元随机向量及其分布
1. (一)多元随机变量及其分布 3:56
2. (1.1)联合分布 5:31
3. (1.2)边缘分布 3:29
4. (1.3)条件分布 2:49
5. (1.4)贝叶斯规则 5:20
6. (1.5)独立及条件独立 2:23
7. (1.6)协方差 7:54
8. (1.7)互信息及特征选择 14:46
9. (1.8)随机变量之间关系案例:Kaggle竞赛 Rent Listing Inquires数据分析 10:32
10. (二)多元正态分布 2:35
11. (2.1)协方差矩阵及白化 6:33
12. (2.2)高斯判别分析 12:35
13. (三)概率图模型 1:57
14. (3.1)有向图&无向图 5:31
15. (3.2)特殊概率图模型 1:16
16. (3.3)朴素贝叶斯模型及Titanic案例分析 7:46
17. (3.4)Markov链 7:35
18. (3.5)隐马尔科夫模型(HMM) 3:36
19. (3.6)Markov随机场(MRF) 3:07
20. (3.7)条件随机场(CRF) 6:13
21. 概率第二课课后答疑 11:37
22. 概率第二课作业讲解 9:41
第3章:极大似然估计
1. 前言:参数估计简介 5:41
2. (一)极大似然估计基本思想 5:53
3. (二)常见分布的极大似然估计 0:15
4. (2.1)正态分布参数的MLE及实例解析 10:28
5. (2.2)Bernoulli分布&二项分布参数的MLE 3:41
6. (2.3)多项分布参数的MLE及词袋模型代码讲解 7:25
7. (三)机器学习模型参数的极大似然估计 0:30
8. (3.1)线性回归模型参数的MLE及案例代码解析 23:36
9. (3.2)Logistic回归模型参数的MLE及案例代码解析 18:52
10. (3.3)朴素贝叶斯模型参数的MLE 6:31
11. (3.4)案例代码解析:新闻文档分类、Titanic 19:08
12. (四)估计的评价 1:26
13. (4.1)估计量的评价标准 3:22
14. (4.2)MLE的性质 7:13
15. (4.3)偏差-方差分解 24:10
16. (4.4)方差估计 及 Bootstrap 9:27
17. (4.5)课后练习 1:02
18. 概率第三讲课后答疑 2:17
第4章:贝叶斯估计
1. (1.1)参数估计及outline 26:04
2. (2.1) 常见分布的共轭先验 0:53
3. (3.1)岭回归:线性回归的正态先验 12:11
4. (3.2)案例:多项式回归 3:29
5. (3.3) Lasso:线性回归的Laplace先验 4:40
6. (3.4) 案例:波士顿房价预测 5:27
7. (4.1)Logistic回归的正态先验和Laplace先验 4:06
8. (4.2) 案例:蘑菇分类 5:05
9. (4.3) 总结 4:20
10. 概率第四讲课后答疑 7:19
大家可以点击【 查看详情】查看我的课程