P1. 1.1 课程介绍.flv

P2. 1.2 本集内容简介.flv

P3. 1.3 学好机器学习需要哪些数学知识.flv

P4. 1.4 推荐的参考书.flv

P5. 1.5 本集所讲的知识点.flv

P6. 1.6 机器学习算法所用的数学知识.flv

P7. 2.1 导数.flv

P8. 2.2 高阶导数.flv

P9. 2.3 导数与函数的性质.flv

P10. 2.4  一元函数的泰勒展开.flv

P11. 2.5 向量.flv

P12. 2.6 矩阵.flv

P13. 2.7 行列式.flv

P14. 2.8 偏导数.flv

P15. 2.9 高阶偏导数.flv

P16. 2.10 梯度.flv

P17. 2.11 雅可比矩阵.flv

P18. 2.12 Hessian矩阵.flv

P19. 2.13 极值判别法则.flv

P20. 2.14 二次型.flv

P21. 2.15 特征值与特征向量.flv

P22. 2.16 特征值分解.flv

P23. 2.17 多元函数的泰勒展开.flv

P24. 2.18 矩阵和向量的求导公式.flv

P25. 2.19 奇异值分解.flv

P26. 2.20 为什么需要概率论.flv

P27. 2.21 随机事件与概率.flv

P28. 2.22 条件概率与贝叶斯公式.flv

P29. 2.23 随机事件的独立性.flv

P30. 2.24 随机变量.flv

P31. 2.25 数学期望与方差.flv

P32. 2.26 常用的概率分布.flv

P33. 2.27 随机向量.flv

P34. 2.28 随机变量的独立性.flv

P35. 2.29 协方差.flv

P36. 2.30 常用的多维概率分布.flv

P37. 2.31 最大似然估计.flv

P38. 2.32 本集总结.flv

P39. 3.1 本集内容简介.flv

P40. 3.2 最优化中的基本概念.flv

P41. 3.3 为什么要用迭代法.flv

P42. 3.4 梯度下降法.flv

P43. 3.5 牛顿法.flv

P44. 3.6 坐标下降法.flv

P45. 3.7 优化算法面临的问题.flv

P46. 3.8 拉格朗日乘数法.flv

P47. 3.9 凸优化简介.flv

P48. 3.10 凸集.flv

P49. 3.11 凸函数.flv

P50. 3.12 凸优化的性质.flv

P51. 3.13 凸优化的一般表述.flv

P52. 3.14 拉格朗日对偶.flv

P53. 3.15  KKT条件.flv

P54. 3.16 本集总结.flv

P55. 4.1 本集介绍.flv

P56. 4.2 推荐的参考书.flv

P57. 4.3 人工智能简介.flv

P58. 4.4 机器学习简介.flv

P59. 4.5 为什么需要机器学习.flv

P60. 4.6 机器学习的发展历史.flv

P61. 4.7 机器学习的典型应用.flv

P62. 4.8 业内主要公司介绍.flv

P63. 4.9 本集总结.flv

P64. 5.1 与机器学习相关的应用方向.flv

P65. 5.2 人脸检测.flv

P66. 5.3 行人检测.flv

P67. 5.4 语音识别.flv

P68. 5.5 博弈游戏.flv

P69. 5.6 机器翻译.flv