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