机器学习之概率与统计推断-AI100-专题视频课程

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