MIT机器学习导论-学习资料
MIT机器学习导论课程,内容覆盖机器学习、特征构建、逻辑回归、决策树、随机森林、聚类、感知器、神经网络、卷积神经网络、循环神经网络、状态机、马尔可夫决策过程等

关键词标签: MIT, 机器学习, 特征构建, 逻辑回归, 决策树, 随机森林, 聚类, 感知器, 神经网络, CNN, RNN

课程介绍

MIT 6.036是全球顶校麻省理工开设的机器学习入门课程,课程系统分版块地讲解了机器学习核心模型算法与解决问题思路,课程内容覆盖 传统机器学习模型(树模型、集成模型、聚类算法、逻辑回归)和深度学习典型模型(感知器、神经网络、CNN、RNN),以及强化学习的部分算法。

通过本课程学习,可以全面掌握机器学习基础知识和典型算法,并构建对模型应用的基础能力。


课时编号 课时内容
第1讲 基础知识
第2讲 感知器
第3讲 特征
第4讲 逻辑回归(对数几率回归)
第5讲 回归建模
第6讲 神经网络
第7讲 本周休息/Break
第8讲 卷积神经网络
第9讲 状态机与马尔可夫决策过程
第10讲 强化学习
第11讲 循环神经网络
第12讲 决策树与随机森林
第13讲 聚类算法
第14讲 客座讲座(David Sontag)

ShowMeAI课程解读:全套资料

更多技术与课程清单 | 点击查看详细课程

技术方向 课程及链接
计算机数学基础 MIT-计算机科学的数学基础
辛辛那提大学-微积分I
辛辛那提大学-微积分II
辛辛那提大学-离散数学
斯坦福-线性代数与矩阵方法导论
计算机科学导论 斯坦福-计算机科学导论
哈佛-计算机科学导论
MIT-计算机科学与Python编程导论
数据结构与算法 MIT-数据结构与算法设计
马里兰大学-数据结构
数据库 CMU-数据库系统导论
CMU-数据库系统进阶
机器学习及应用 斯坦福CS229
MIT-机器学习导论
深度学习及应用 斯坦福CS230
哈佛-Python人工智能入门
MIT-深度学习导论
李宏毅-机器学习(&深度学习)
应用深度学习(全知识点覆盖)
UC Berkeley-深度神经网络设计、可视化与理解
威斯康星-深度学习和生成模型导论
UC Berkeley-全栈深度学习训练营
自然语言处理 斯坦福CS224n(深度学习与NLP)
斯坦福CS124(从语言到信息)
斯坦福CS520(知识图谱)
马萨诸塞-自然语言处理进阶
计算机视觉 斯坦福CS231n(深度学习与CV)
密歇根eecs498(CS231n进阶课)
慕尼黑工大adl4cv(深度学习与CV高阶课)
多模态 CMU-多模态机器学习
图机器学习 斯坦福CS224w
强化学习 斯坦福CS234(强化学习)
伯克利CS285(深度强化学习)
无监督学习 伯克利CS294-158(深度无监督学习)
AI与生物医疗 MIT-面向生命科学的深度学习
MIT-基因组学机器学习
MIT-医疗机器学习
图形学与几何 CMU-计算机图形学
AMMI-几何深度学习
其他课程 哈佛-基于Python/JavaScript的web编程
MIT-计算思维导论(Julia)
end
*****
本文作者 韩信子
欢迎关注微信公众号 ShowMeAI研究中心 获取更多资源!