首页
课程
专题
培训手册
关于
登录
首页
课程列表
大数据机器学习
大数据机器学习
发布机构：无锡市远程教育实验学校
上课讲师：远程教育
课程学分：10
已报人数：0
当前课程为专题课程：
2023年教师信息技术暑期网络培训
2023年教师信息技术暑期网络培训（直属非民办）
登录后可报名学习参加考试，去
登录
课程章节
课程介绍
课程评论
课程章节
1.1.5 机器学习和统计学习的关系
开始学习
2.1.4 机器学习和数据挖掘的关系
开始学习
3.1.3 深度学习方法和其它人工智能方法的共性和差异
开始学习
4.1.2 机器学习和人工智能的关系
开始学习
5.第一章 概述 1.1 机器学习定义和典型应用
开始学习
6.20.4 相关策略
开始学习
7.20.3 神经网络的优化算法
开始学习
8.20.2 神经网络优化的挑战
开始学习
9.第二十章 深度学习优化方法 20.1 深度学习的优化问题
开始学习
10.19.4 深度学习的正则化方法（二）
开始学习
11.19.3 深度学习的正则化方法（一）
开始学习
12.19.2 计算图形式的反向传播算法
开始学习
13.第十九章 深度学习正则化方法 19.1 深度学习简介和架构设计
开始学习
14.18.5 深度学习
开始学习
15.18.4 玻尔兹曼机
开始学习
16.18.3 神经网络的基本概念以及常见的神经网络(二）
开始学习
17.18.2 神经网络的基本概念以及常见的神经网络(一）
开始学习
18.第十八章 神经网络和深度学习 18.1 神经网络的发展历程
开始学习
19.17.3 近似推断法：MCMC和变分推断
开始学习
20.17.2 精确推断法：变量消去法和信念传播法
开始学习
21.第十七章 概率图模型的学习与推断 17.1 本章简介
开始学习
22.16.6 条件随机场的预测算法
开始学习
23.16.5 条件随机场的学习算法
开始学习
24.16.4 条件随机场的计算问题
开始学习
25.16.3 条件随机场的定义与形式
开始学习
26.16.2 概率无向图模型
开始学习
27.第十六章 条件随机场 16.1 本章简介
开始学习
28.15.5 预测算法
开始学习
29.15.4 学习算法
开始学习
30.15.3 概率计算算法
开始学习
31.15.2 隐马尔科夫模型的基本概念
开始学习
32.第十五章 隐马尔可夫模型 15.1 本章简介
开始学习
33.14.6 学习稳定性
开始学习
34.14.5 VC维
开始学习
35.14.4 有限假设空间
开始学习
36.14.3 概率近似正确学习理论
开始学习
37.14.2 计算学习理论的基础知识
开始学习
38.第十四章 计算学习理论 14.1 本章简介
开始学习
39.13.6 EM算法的推广
开始学习
40.13.5 EM算法在高斯混合模型学习中的应用
开始学习
41.13.4 EM算法的收敛性
开始学习
42.13.3 EM算法的引入
开始学习
43.13.2 问题提出
开始学习
44.第十三章 EM算法及混合高斯模型 13.1 本章简介
开始学习
45.12.4 Adaboost的实现
开始学习
46.12.3 Adaboost算法的解释
开始学习
47.12.2 Adaboost算法的训练误差分析
开始学习
48.第十二章 提升方法 12.1 提升方法Adaboost算法
开始学习
49.11.6 流型学习和度量学习
开始学习
50.11.5 核化线性降维
开始学习
51.11.4 主成分分析
开始学习
52.11.3 降维嵌入
开始学习
53.11.2 k近邻学习
开始学习
54.第十一章 降维与度量学习 11.1 本章简介
开始学习
55.10.4 序列最小最优化算法
开始学习
56.10.3 核函数和非线性支持向量机
开始学习
57.10.2 泛函基础知识
开始学习
58.第十章 核方法与非线性SVM 10.1 本章简介
开始学习
59.9.6 线性支持向量机
开始学习
60.9.5 支持向量的确切定义
开始学习
61.9.4 凸优化问题的基本概念
开始学习
62.9.3 线性可分支持向量机
开始学习
63.9.2 SVM简介
开始学习
64.第九章 SVM 9.1 本章简介
开始学习
65.8.4 模型学习的最优化方法
开始学习
66.8.3 最大熵模型
开始学习
67.8.2 逻辑斯谛回归模型
开始学习
68.第八章 逻辑斯谛回归与最大熵模型 8.1 本章简介
开始学习
69.7.7 随机森林
开始学习
70.7.6 CART算法
开始学习
71.7.5 决策树的减枝
开始学习
72.7.4 决策树的生成
开始学习
73.7.3 信息量和熵
开始学习
74.7.2 决策树模型与学习基本概念
开始学习
75.第七章 决策树和随机森林 7.1 本章简介
开始学习
76.6.7 吉布斯采样
开始学习
77.6.6 贝叶斯网络结构学习推断
开始学习
78.6.5 半朴素贝叶斯分类器
开始学习
79.6.4 朴素贝叶斯分类器
开始学习
80.6.3 贝叶斯网络
开始学习
81.6.2 概率图模型
开始学习
82.第六章 贝叶斯分类器及图模型 6.1 综述
开始学习
83.5.3.4 原型聚类 层次聚类
开始学习
84.5.3.3 原型聚类 密度聚类
开始学习
85.5.3.2 原型聚类 学习向量算法
开始学习
86.5.3.1 原型聚类 k均值算法
开始学习
87.5.2 性能度量
开始学习
88.第五章 聚类 5.1 原型聚类描述
开始学习
89.4.3 感知机学习算法
开始学习
90.4.2 感知机学习策略
开始学习
91.第四章 感知机 4.1 感知机模型
开始学习
92.3.10 偏差和方差
开始学习
93.3.9 T检验
开始学习
94.3.8 假设检验
开始学习
95.3.7 代价敏感错误率
开始学习
96.3.6 ROC和AUC曲线
开始学习
97.3.5 PR曲线
开始学习
98.3.4 性能度量
开始学习
99.3.3 自助法
开始学习
100.3.2 交叉验证法
开始学习
101.第三章 模型性能评估 3.1 留出法
开始学习
102.2.10 生成模型和判别模型
开始学习
103.2.9 泛化能力
开始学习
104.2.8 过拟合与模型选择
开始学习
105.2.7 训练误差和测试误差
开始学习
106.2.6 没有免费的午餐定理
开始学习
107.2.5 奥卡姆剃刀定理
开始学习
108.2.4 学习方法三要素
开始学习
109.2.3 假设空间
开始学习
110.2.2 监督学习
开始学习
111.第二章 机器学习基本概念 2.1 机器学习的基本术语
开始学习
112.1.7 大数据机器学习的主要特点
开始学习
113.1.6 机器学习的发展历程
开始学习
课程介绍
《大数据机器学习》课程是面向信息学科的高年级本科生或研究生开设的基础理论课，目的是培养深入理解大数据机器学习理论基础，牢固掌握大数据机器学习方法，并能够解决实际问题等综合能力。课程的主要内容包括：统计学习基本理论，机器学习基本方法，深度学习理论和方法。
课程评论
当前没有任何评论
发布评论
手机学习
微信扫一扫，手机学习
首页
课程
专题
我的
