人工智能全新升级版-小象学院

┣━002-人工智能全新升级版-小象学院
┣━视频
┣━14.统计学习(1).mp4
┣━02.机器学习的数学基础.mp4
┣━15.统计学习.mp4
┣━19.神经网络.mp4
┣━18.概念学习.mp4
┣━04.机器学习中的数学基础.mp4
┣━12.统计学习.mp4
┣━13.统计学习.mp4
┣━07.经典机器学习模型.mp4
┣━01.机器学习中的数学基础.mp4
┣━03.机器学习中的哲学.mp4
┣━10.核方法.mp4
┣━20.强化学习.mp4
┣━15.统计学习(1).mp4
┣━11.核方法.mp4
┣━09.线性模型.mp4
┣━16.无监督学习.mp4
┣━17.流形学习.mp4
┣━06.经典机器学习模型.mp4
┣━05.经典机器学习模型.mp4
┣━08.线性模型.mp4
┣━14.统计学习.mp4
┣━资料
┣━RandomForest.zip
┣━Note_15_GeoIntMaxMargin.pdf
┣━probability ( MIT Bertsekas)(1).pdf
┣━Logistic Regression.zip
┣━Note_3_LNorm.pdf
┣━第五课_代码.zip
┣━4、机器学习的数学基础.pdf
┣━7、经典机器学习模型.pdf
┣━lle.pdf
┣━6、经典机器学习模型.pdf
┣━Note_13_MaxMargin.pdf
┣━1、机器学习的数学基础.pdf
┣━7.2、Guo-PRICAI.pdf
┣━Note_16_ EM.pdf
┣━Note11_Lagrange.pdf
┣━11、核方法.pdf
┣━Note_7_EnsembleLearning.pdf
┣━probability ( MIT Bertsekas).pdf
┣━Note_17_Locally Linear Embedding.pdf
┣━Note_2_Geometric Interpretation of Determinant.pdf
┣━12、统计学习.pdf
┣━16、无监督学习.pdf
┣━3、机器学习的哲学.pdf
┣━Note_1_MachineLearningIntro.pdf
┣━Note_5_NaiveBayes.pdf
┣━Note_4-GradientDescent.pdf
┣━10、核方法.pdf
┣━5、经典机器学习模型.pdf
┣━Note12_Lagrange2.pdf
┣━2、机器学习的数学基础.pdf
┣━Note_9_OLS.pdf
┣━8、线性模型.pdf
┣━Note_14_Kernel.pdf