课时3：Applications of Machine Learning
课时4：Components of Machine Learning
课时5：Machine Learning and Other Fields
课时7：Perceptron Learning Algorithm (PLA)
课时10：Learning with Different Output Space
课时11：Learning with Different Data Label
课时12：Learning with Different Protocol
课时13：Learning with Different Input Space
课时15：Probability to the Rescue
课时17：Connection to Real Learning
课时19：Effective Number of Lines
课时20：Effective Number of Hypotheses
课时22：Restriction of Break Point
课时23：Bounding Function- Basic Cases
课时24：Bounding Function- Inductive Cases
课时26：Definition of VC Dimension
课时27：VC Dimension of Perceptrons
课时28：Physical Intuition of VC Dimension
课时29：Interpreting VC Dimension
课时30：Noise and Probabilistic Target
课时32：Algorithmic Error Measure
课时34：Linear Regression Problem
课时35：Linear Regression Algorithm
课时37：Linear Regression for Binary Classification
课时38：Logistic Regression Problem
课时39：Logistic Regression Error
课时40：Gradient of Logistic Regression Error
课时42：Linear Models for Binary Classification
课时43：Stochastic Gradient Descent
课时44：Multiclass via Logistic Regression
课时45：Multiclass via Binary Classification
课时48：Price of Nonlinear Transform
课时49：Structured Hypothesis Sets
课时51：The Role of Noise and Data Size
课时54：Regularized Hypothesis Set
课时55：Weight Decay Regularization
课时56：Regularization and VC Theory
人工智能是这两年最炙手可热的领域，而机器学习则是人工智能的核心，是使计算机具有智能的根本途径，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。今天为大家推荐一款适合机器学习入门，同时又不失深度的一门教程：由台湾大学林轩田老师主讲的《机器学习基石》。
本课程主要讲述机器学习的必备技能，基础算法、理论及实用工具，同时林轩田老师的讲授技巧也是备受广大学友们的推崇。
教程｜机器学习基石（台湾大学林轩田）http://t.jinritoutiao.js.cn/ejMy1C/
转载请注明：徐自远的乱七八糟小站 » 【视频】教程｜机器学习基石（台湾大学林轩田）
苏公网安备 32021402001397号