[人工智能]幂次学院西瓜书视频

幂次学院西瓜书视频 资源介绍

如果你已经开始入门，并且了解一点机器学习这个概念，那么你就应该知道这本书“周志华《机器学习》”，号称人工智能领域中文版开山之作

这是一本面向中文读者的机器学习教科书，更适合大学三年级以上的理工科本科生和研究生，以及具有类似背景的对机器学习感兴趣的人士。为了使尽可能让读者通过本书对机器学习有所了解，作者尽可能少地使用数学知识，同时涵盖机器学习基础知识的各方面。

书中除第1章外, 每章都给出了十道习题. 有的习题是帮助读者巩固本章学习, 有的是为了引导读者扩展相关知识. 一学期的一般课程可使用这些习题, 再辅以两到三个针对具体数据集的大作业. 带星号的习题则有相当难度, 有些并无现成答案, 谨供富有进取心的读者启发思考.

资源目录：

├─西瓜书视频上 半部分
│  ├─基础部分：人工智能python基础
│  │  ├─第1部分
│  │  │      1.1 为什么使用Python.mp4
│  │  │      1.2 Python环境配置（Anaconda）.mp4
│  │  │      机器学习与Python-第一章.zip
│  │  │
│  │  ├─第2部分
│  │  │  ├─第10讲 Python文件输入输出
│  │  │  │      2.8 Python文件输入输出.mp4
│  │  │  │      Python文件输入输出.zip
│  │  │  │
│  │  │  ├─第11讲 Python基础综合实践
│  │  │  │      2.9 Python基础综合实践.mp4
│  │  │  │      Python基础综合实践.zip
│  │  │  │
│  │  │  ├─第3讲 预备知识与开始前的准备
│  │  │  │      机器学习与Python_第二章.pdf
│  │  │  │      第三讲 预备知识与开始前的准备.mp4
│  │  │  │
│  │  │  ├─第4讲 python基本语法
│  │  │  │      1-Python演示.ipynb
│  │  │  │      第四讲 python基本语法.mp4
│  │  │  │
│  │  │  ├─第5讲 python数据类型
│  │  │  │      Python数据类型.zip
│  │  │  │      第五讲.mp4
│  │  │  │
│  │  │  ├─第6讲 python数据运算
│  │  │  │      Python数据运算.zip
│  │  │  │      第六讲：Python数据运算.mp4
│  │  │  │
│  │  │  ├─第7讲 python流程控制
│  │  │  │      Python流程控制.zip
│  │  │  │      第七讲 流程控制.mp4
│  │  │  │
│  │  │  ├─第8讲 Python函数设计
│  │  │  │      2.6 Python函数设计.mp4
│  │  │  │      Python函数设计.zip
│  │  │  │
│  │  │  └─第9讲 Python编程库（包）的导入
│  │  │          2.7 Python编程库（包）的导入.mp4
│  │  │          Python编程库（包）的导入.zip
│  │  │
│  │  └─第3部分
│  │          3.1 Python数据分析工具简介（Numpy，Scipy，Matplotlib，Pandas，Scikit-Learn）.mp4
│  │          3.2 数据挖掘建模过程（定义挖掘目标，数据取样， 数据探索，数据预处理， 挖掘建模，模型评价）(1).mp4
│  │          3.2 数据挖掘建模过程（定义挖掘目标，数据取样， 数据探索，数据预处理， 挖掘建模，模型评价）.mp4
│  │          3.3 Python主要数据探索函数（基本统计特征函数，扩展统计特征函数，统计作图函数）.mp4
│  │          3.4 Python主要数据预处理函数.mp4
│  │          3.5 Python挖掘建模（Python分类预测模型，Python主要聚类分析算法，Python主要时序模型算法）.mp4
│  │          3.6 MNIST手写体数字图片识别.mp4
│  │          4-mnist.zip
│  │          机器学习与Python_第三章_1.zip
│  │          机器学习与Python_第三章_2.zip
│  │
│  ├─基础部分：人工智能数学基础
│  │  ├─1、线代
│  │  │      10.向量组的线性相关性2.ppt
│  │  │      11.向量组的线性相关性3.ppt
│  │  │      12.向量组的线性相关性4.ppt
│  │  │      13.相似矩阵及二次型.ppt
│  │  │      14. 范数.ppt
│  │  │      15.矩阵分解.pptx
│  │  │      16.主成分分析.ppt
│  │  │      1行列式1.ppt
│  │  │      2行列式2.pdf
│  │  │      2行列式2.ppt
│  │  │      3.矩阵及其运算1.ppt
│  │  │      4.矩阵及其运算2.ppt
│  │  │      5.矩阵的初等变换.ppt
│  │  │      9.向量组的线性相关性1.ppt
│  │  │      第10讲：一小时答疑.mp4
│  │  │      第11讲：向量组的线性相关性（一）.mp4
│  │  │      第12讲：向量组的线性相关性（二）.mp4
│  │  │      第13讲：线性方程组的解的结构，向量空间.mp4
│  │  │      第14讲：习题课.mp4
│  │  │      第15讲：一小时答疑（Day3）.mp4
│  │  │      第16讲：相似矩阵及二次型（一）.mp4
│  │  │      第17讲：相似矩阵及二次型（二）.mp4
│  │  │      第18讲：范数.mp4
│  │  │      第19讲：矩阵分解.mp4
│  │  │      第1讲：行列式（一）.mp4
│  │  │      第20讲：主成分分析.mp4
│  │  │      第21讲：一小时答疑（Day4）.mp4
│  │  │      第2讲：行列式（二）.mp4
│  │  │      第3讲：矩阵及其运算（一）.mp4
│  │  │      第4讲：矩阵及其运算（二）.mp4
│  │  │      第5讲：一小时答疑.mp4
│  │  │      第6讲：矩阵的初等变换.mp4
│  │  │      第7讲：矩阵的秩.mp4
│  │  │      第8讲：线性方程组的解.mp4
│  │  │      第9讲：习题课.mp4
│  │  │
│  │  └─2、概率论
│  │          10、一小时答疑（Day6）.mp4
│  │          11、随机向量（一）.mp4
│  │          12、随机向量（二）.mp4
│  │          13、随机变量的数字特征（一）.mp4
│  │          14、随机变量的数字特征（二）.mp4
│  │          15、一小时答疑（Day7）.mp4
│  │          16、随机变量的数字特征（三）.mp4
│  │          17、随机变量的数字特征（四）.mp4
│  │          18、随机变量的数字特征（五）.mp4
│  │          19、极限定理（一）.mp4
│  │          1、概率论与数理统计（一）.mp4
│  │          20、极限定理（二）.mp4
│  │          21、一小时答疑（Day8）.mp4
│  │          2、概率论与数理统计（二）.mp4
│  │          3.随机向量-概率论与数理统计课件.ppt
│  │          3、概率论与数理统计（三）.mp4
│  │          4.随机变量的数字特征-概率论与数理统计课件.ppt
│  │          4、习题课.mp4
│  │          5.极限定理-概率论与数理统计课件.ppt
│  │          5、一小时答疑.mp4
│  │          6、随机变量（一）.mp4
│  │          7、随机变量（二）.mp4
│  │          8、随机变量（三）.mp4
│  │          9、习题课.mp4
│  │          概率论1.ppt
│  │          概率论2.ppt
│  │          概率论3.ppt
│  │          概率论4.ppt
│  │          概率论5.ppt
│  │          概率论6.ppt
│  │          概率论7.ppt
│  │          概率论8.ppt
│  │
│  ├─第1部分：开始之前
│  │      1、开始之前.mp4
│  │      __0__ 开始之前.pptx
│  │
│  ├─第2部分：线性代数
│  │      __1__ 线性代数1.pptx
│  │      __2__ 线性代数2_线性相关和子空间.pptx
│  │      __3__ 线性代数3_范数.pptx
│  │      __4.1__ 线性代数4_特殊矩阵.pptx
│  │      __5__ 矩阵分解.pdf
│  │      第三讲：线性代数（二）.mp4
│  │      第二讲：线性代数（一）.mp4
│  │      第五讲：线性代数（四）.mp4
│  │      第六讲：线性代数（五）.mp4
│  │      第四讲：线性代数（三）.mp4
│  │
│  ├─第3部分：概率论
│  │      __6__ 概率论.pdf
│  │      __7__ 概率论.pdf
│  │      __8__ 概率论.pdf
│  │      课程回放 - 第七讲：概率论（一）.mp4
│  │      课程回放 - 第九讲：概率论（三）.mp4
│  │      课程回放 - 第八讲：概率论（二）.mp4
│  │      课程回放 - 第十讲：概率论（四）.mp4
│  │
│  └─第4部分：机器学习上
│      ├─1 简介
│      │      机器学习1.1.pdf
│      │      机器学习术语表.pdf
│      │      深度学习1.2.pdf
│      │      第1讲：引言、基本术语、假设空间.mp4
│      │      第2讲：归纳偏好、发展历程、应用现状.mp4
│      │
│      ├─3 线性模型
│      │  │  课程回放 - 第10讲：线性判别分析.mp4
│      │  │  课程回放 - 第11讲：多分类学习，类别不平衡问题.mp4
│      │  │  课程回放 - 第6讲：基本形式，线性回归.mp4
│      │  │  课程回放 - 第7讲：对数几率回归（一）.mp4
│      │  │  课程回放 - 第8讲：对数几率回归（二）.mp4
│      │  │  课程回放 - 第9讲：一小时答疑.mp4
│      │  │
│      │  └─资料
│      │          第10讲.zip
│      │          第11讲.zip
│      │          第6讲.zip
│      │          第8讲.zip
│      │          第9讲.zip
│      │
│      ├─5 神经网络
│      │      1、神经元模型(1).zip
│      │      2、误差逆向传播.zip
│      │      3、CNN.zip
│      │      4、初识TensorFlow.zip
│      │      5.1 神经元模型.mp4
│      │      5.10 一小时答疑.mp4
│      │      5.2 感知机与多层网络.mp4
│      │      5.3 误差逆传播算法.mp4
│      │      5.4 一小时答疑.mp4
│      │      5.5 其他常见神经网络（一）Boltzmann机 、深度置信神经网络DBN.mp4
│      │      5.6 卷积神经网络CNN.mp4
│      │      5.7 一小时答疑.mp4
│      │      5.8 初识TensorFlow（一）.mp4
│      │      5.9 初识TensorFlow（二）.mp4
│      │
│      ├─7 贝叶斯分类器
│      │      7.1 贝叶斯分类器—初识贝叶斯分类器.mp4
│      │      7.10 一小时答疑.mp4
│      │      7.2 贝叶斯分类器—最大似然估计和贝叶斯参数估计.mp4
│      │      7.3 一小时答疑.mp4
│      │      7.4 贝叶斯分类器—最大似然估计和贝叶斯参数估计（补充）.mp4
│      │      7.5 朴素贝叶斯分类器，半朴素贝叶斯分类器.mp4
│      │      7.6 贝叶斯网（结构，学习，推断）.mp4
│      │      7.7 一小时答疑.mp4
│      │      7.8 贝叶斯分类器 - EM算法.mp4
│      │      7.9 贝叶斯分类器 - EM实战.mp4
│      │      ml_14_20180825.zip
│      │      ml_15_20180901.zip
│      │      ml_16_20180908.zip
│      │
│      └─9 聚类分析
│              9.1 聚类任务.mp4
│              9.2 聚类任务、性能度量、距离计算 - 实战.mp4
│              9.3 一小时答疑.mp4
│              9.4 原型聚类（k均值算法、学习向量量化、高斯混合聚类）（一）.mp4
│              9.5 原型聚类（k均值算法、学习向量量化、高斯混合聚类）（二）.mp4
│              9.6 原型聚类（k均值算法、学习向量量化、高斯混合聚类） - 实战.mp4
│              9.7 密度聚类.mp4
│              9.8 层次聚类.mp4
│              ml_20_20181005_clustering.ipynb
│              ml_20_20181005_聚类_聚类任务_性能度量_距离计算.ppt
│              ml_21_20181013_kmeans.ipynb
│              ml_21_20181013_聚类_原型聚类.ppt
│              ml_22_20181020_密度聚类_层次聚类.ppt
│
└─西瓜书视频下 半部分
    └─第4部分：机器学习
        ├─10 降维与度量学习
        │      10.1 k近邻算法.mp4
        │      10.2 K-D Tree.mp4
        │      10.3 MDS.mp4
        │      10.4 PCA.mp4
        │      10.5 流形学习（一）.mp4
        │      10.6 流形学习（二）.mp4
        │      10.7 度量学习（一） .mp4
        │      10.8 度量学习（二）.mp4
        │      ml_23_20181027_K近邻算法.ppt
        │      ml_24_20181103_MDS.pptx
        │      ml_24_20181103_PCA.zip
        │      ml_26_20181117_降维-度量学习.ppt
        │      流形学习.ppt
        │
        ├─11 XGBOOST
        │      11.1 XGBoost（一）.mp4
        │      11.2 XGBoost（二）.mp4
        │      11.3 XGBoost（三）.mp4
        │      ml_27_20181124_XGBoost.pptx
        │
        ├─12 特征选择与稀疏学习
        │      12.1 特征选择与稀疏学习（一）.mp4
        │      12.2 特征选择与稀疏学习（二）.mp4
        │      ml_28_20181201_特征选择与稀疏学习.pptx
        │
        ├─13 计算学习理论
        │      1. 计算学习理论.ppt
        │      13.1 计算学习理论（一）.mp4
        │      13.2 计算学习理论（二）.mp4
        │
        ├─14 半监督学习
        │      1.半监督学习.pptx
        │      14.1 半监督学习（一）.mp4
        │      14.10 半监督学习（十）半监督聚类.mp4
        │      14.2 半监督学习（二）.mp4
        │      14.3 半监督学习（三）未标记样本.mp4
        │      14.4 半监督学习（四）生成式方法.mp4
        │      14.5 半监督学习（五）实战.mp4
        │      14.6 半监督学习（六）半监督SVM.mp4
        │      14.7 半监督学习（七）图半监督学习.mp4
        │      14.8 半监督（八）实战.mp4
        │      14.9 半监督学习（九）基于分歧的方法.mp4
        │      2.半监督学习.pptx
        │      3.半监督学习(1).pptx
        │      e3  Label Propagation digits Demonstrating performance.rar
        │      semi.rar
        │      半监督学习1_2.zip
        │
        ├─15 概率图模型
        │      1.概率图模型.pdf
        │      15.1 HMM.rar
        │      15.1 隐马尔科夫模型.mp4
        │      15.2 概率图模型-马尔克夫随机场.mp4
        │      15.3 精确推断.mp4
        │      15.4 近似推断.mp4
        │      15.5 概率计算问题 直接计算算法 前向算法.mp4
        │      15.6 概率计算问题 前向算法.mp4
        │      15.7 概率计算问题 后向算法.mp4
        │      15.8 概率计算问题 学习算法.mp4
        │      15.8.学习问题 预测问题.pdf
        │      15.9 HMM.rar
        │      15.9 概率计算问题 预测问题 .mp4
        │      2.概率图模型.pdf
        │      3.概率计算问题.pdf
        │
        ├─16 规则学习
        │      16.1 基本概念 贯序覆盖.mp4
        │      16.1.规则学习.pptx
        │      16.2 剪枝优化.mp4
        │      16.3 决策树.mp4
        │      16.3.决策树分类.ppt
        │      16.4 一阶规则学习.mp4
        │      16.4.规则学习.pptx
        │      16.5 归纳逻辑程序设计（最小一般泛化，逆归结）.mp4
        │      16.6 归纳逻辑程序设计（最小一般泛化，逆归结）.mp4
        │      2.规则学习-剪枝优化.flv
        │
        ├─17 增强学习
        │      17.1 强化学习 .ppt
        │      17.1 强化学习引言、发展史.mp4
        │      17.2 强化学习简介.mp4
        │      17.3 强化学习方法.mp4
        │      17.4 强化学习算法分类 TD算法.mp4
        │      17.4.强化学习.ppt
        │      17.5 Qlearning.mp4
        │      17.5 Q_learning.ipynb
        │
        ├─2 模型评估与选择
        │  │  第六讲：性能度量.mp4
        │  │  课程回放 - 第三讲：经验误差与过拟合.mp4
        │  │  课程回放 - 第五讲：性能度量（错误率与精度，查准率，查全率与F1，ROC与AUC，代价敏感错误率与代价曲线）.mp4
        │  │  课程回放 - 第四讲：评估方法（留出法，交叉验证法，自助法，调参与最终模型）.mp4
        │  │
        │  ├─2
        │  │  │  3.回归分析.pdf
        │  │  │  LinearRegression1.ipynb
        │  │  │  pga.csv
        │  │  │  梯度下降.ipynb
        │  │  │
        │  │  └─__MACOSX
        │  │          ._3.回归分析.pdf
        │  │          ._LinearRegression1.ipynb
        │  │          ._pga.csv
        │  │          ._梯度下降.ipynb
        │  │
        │  └─资料
        │          模型评估与选择2.1-2.pdf
        │          模型评估与选择2.1-2_code.rar
        │
        ├─4 决策树
        │  │  第13讲.zip
        │  │  第15讲.zip
        │  │  课程回放 - 第一十三讲：划分选择（信息增益，增益率，基尼指数）.mp4
        │  │  课程回放 - 第一十二讲：基本流程.mp4
        │  │  课程回放 - 第一十五讲：连续与缺失值（连续值处理，缺失值处理）.mp4
        │  │  课程回放 - 第一十四讲：剪枝处理（预剪枝，后剪枝）.mp4
        │  │
        │  ├─第十三讲
        │  │      6.decision tree.ipynb
        │  │      6.决策树分类.pdf
        │  │      watermelon_3a.csv
        │  │
        │  └─第十五讲
        │      │  7c4.5.pdf
        │      │  cart.ipynb
        │      │
        │      └─__MACOSX
        │              ._7c4.5.pdf
        │              ._cart.ipynb
        │
        ├─6 支持向量机
        │      6.1 支持向量机（一）.mp4
        │      6.2 支持向量机（二）.mp4
        │      6.3 一小时答疑.mp4
        │      6.4 支持向量机（三）.mp4
        │      6.5 支持向量机（四）.mp4
        │      6.6 一小时答疑.mp4
        │      6.7 支持向量机（五）.mp4
        │      6.8 支持向量机（六）.mp4
        │      6.9 一小时答疑.mp4
        │      ml_11_20180804.zip
        │      ml_12_20180811.zip
        │      ml_13_20180818_0.zip
        │      ml_13_20180818_1.zip
        │
        └─8 集成学习
                8.1 集成学习 - 第一部分 - 基础.mp4
                8.10 Bagging与随机森林实战.mp4
                8.2 集成学习 - 第一部分 - 实战.mp4
                8.3 一小时答疑.mp4
                8.4 Boosting.mp4
                8.5 Adaboost.mp4
                8.6 Boosting与Adaboost - 实战.mp4
                8.7 一小时答疑.mp4
                8.8 Bagging与随机森林.mp4
                8.9 分类与回归树.mp4
                ml_17_20189015.zip
                ml_18_20180922_Adaboost.ipynb
                ml_18_20180922_adaboost.ppt
                ml_18_20180922_Boosting.ppt
                ml_19_20180929_Bagging与随机森林.pptx
                ml_19_20180929_code.zip
                ml_19_20180929_分类与回归树.ppt

幂次学院西瓜书视频 下载地址