（选修）第一部分：开始之前 · （选修）第二部分：线性代数基础 · （选修）第三部分：概率论基础 · （选修）第四部分：Visual Studio Code使用 · （必修）第一部分：机器学习简介 · （必修）第二部分：模型评估与选择 · （必修）第三部分：线性模型 · （必修）第四部分：决策树 · （必修）第五部分：数据预处理 · （必修）第六部分：支持向量机 · （必修）第七部分：神经网络 · （必修）第八部分：深度学习 · （必修）第九部分：贝叶斯分类器 · （必修）第十部分：集成学习 · （必修）第一十一部分：聚类 · （必修）第一十二部分：降维与度量学习 · （必修）第一十三部分：特征选择与稀疏学习 · （必修）第一十四部分：计算学习理论 · （必修）第一十五部分：半监督学习 · （必修）第一十六部分：概率图模型 · （必修）第一十七部分：规则学习 · （必修）第一十八部分：强化学习 · （必修）第一十九部分：增量学习 · （必修）第二十部分：迁移学习 · （必修）第二十一部分：主动学习 · （必修）第二十二部分：多任务学习 · （必修）第二十三部分：机器学习项目实战

*   1 （选修）第一部分：开始之前/

  *   1 课程简介与机器学习发展史

  *   1 课程简介与机器学习发展史之课件 0.课程简介与机器学习发展史.pptx

*   2 （选修）第二部分：线性代数基础/

  *   1 线性代数（一）

  *   1 线性代数（一）之课件 1.1 线性代数1.pptx

  *   2 线性代数（二）

  *   2 线性代数（二）之课件 1_LineAlg.rar

  *   3 线性代数（三）

  *   4 线性代数（四）

  *   4 线性代数（四）之课件 1.3 线性代数3.pptx

  *   5 线性代数（五）

  *   5 线性代数（五）之课件 1_LineAlg.rar

  *   6 线性代数（六）

  *   6 线性代数（六）之课件 我的课件.rar

  *   7 线性代数（七）

  *   7 线性代数（七）之课件 LineAlg-new.rar

*   3 （选修）第三部分：概率论基础/

  *   1 概率论（一）

  *   1 概率论（一）之课件 1.6 概率论1.pptx

  *   2 概率论（二）

  *   2 概率论（二）之课件 1.7 概率论2.pptx

  *   3 概率论（三）

  *   3 概率论（三）之课件 1.8 概率论3.pptx

  *   4 概率论（四）

  *   4 概率论（四）之课件 2_Probality.rar

  *   5 Python基础（一）

  *   5 Python基础（一）之课件 python语法.ipynb

  *   6 Python基础（二）

  *   7 Python基础（三）

  *   7 Python基础（三）之课件 basic2.rar

  *   8 Python基础（四）

  *   9 Python基础（五）

  *   9 Python基础（五）之课件 basic2.rar

*   4 （选修）第四部分：Visual Studio Code使用/

  *   1 Visual Studio Code使用（一）

  *   1 Visual Studio Code使用（一）之课件 vscode-anaconda.pptx

*   5 （必修）第一部分：机器学习简介/

  *   1 引言、基本术语、假设空间

  *   1 引言、基本术语、假设空间之课件 机器学习1.1.pptx

  *   2 归纳偏好、发展历程、应用现状

  *   2 归纳偏好、发展历程、应用现状之课件 机器学习1.2.pptx

*   6 （必修）第二部分：模型评估与选择/

  *   1 分类回归小例子

  *   1 分类回归小例子之课件 1.2.rar

  *   2 经验误差与过拟合

  *   3 评估方法（留出法，交叉验证法，自助法）

  *   3 评估方法（留出法，交叉验证法，自助法）之课件 1.4-1.5.rar

  *   4 性能度量（混淆矩阵 ，准确率，精确度，敏感度，特异度，F1 score）

  *   4 性能度量（混淆矩阵 ，准确率，精确度，敏感度，特异度，F1 score）之课件 1.6.rar

*   7 （必修）第三部分：线性模型/

  *   1 线性回归（一）

  *   1 线性回归（一）之课件 机器学习1.7-线性回归1.pptx

  *   2 线性回归（二）

  *   2 线性回归（二）之课件 1.7_LinearRegression.rar

  *   3 线性回归（三）

  *   3 线性回归（三）之课件 机器学习1.9-线性回归3 .pptx

  *   4 线性回归（四）

  *   4 线性回归（四）之课件 机器学习1.10-线性回归4.pptx

  *   5 逻辑回归（一）

  *   5 逻辑回归（一）之课件 1.11_LogisticRegression.rar

  *   6 逻辑回归（二）

*   8 （必修）第四部分：决策树/

  *   1 划分选择与算法基本思想（一）

  *   1 划分选择与算法基本思想（一）之课件 4_DecisionTree.rar

  *   2 划分选择与算法基本思想（二）

  *   3 代码分析与KNN

  *   3 代码分析与KNN之课件 4_KNN.rar

  *   4 机器学习中距离和相似性度量方法概述

*   9 （必修）第五部分：数据预处理/

  *   1 处理缺失数据，处理类别数据

  *   1 处理缺失数据，处理类别数据之课件 5_Preprocess.rar

  *   2 数据标准化与归一化

  *   3 特征选择

  *   3 特征选择之课件 5_Preprocess.rar

  *   4 特征排序，plot_decision_regions函数讲解

*   10 （必修）第六部分：支持向量机/

  *   1 使用支持向量机最大化分类间隔

  *   1 使用支持向量机最大化分类间隔之课件 6_SVM.rar

  *   2 SVM非线性分类

*   11 （必修）第七部分：神经网络/

  *   1 神经网络基础知识

  *   2 神经网络（一）

  *   2 神经网络（一）之课件 7. 神经网络.pptx

  *   3 神经网络（二）

*   12 （必修）第八部分：深度学习/

  *   1 卷积神经网络CNN基本原理

  *   1 卷积神经网络CNN基本原理之课件 8.1 卷积神经网络.pptx

  *   2 开源深度学习框架与常见卷积网络模型

  *   2 开源深度学习框架与常见卷积网络模型之课件 8.2-1 深度学习框架与网络模型-安装tensorflow.ppt

  *   3 基本分类（一）

  *   3 基本分类（一）之课件 1_8_basic.rar

  *   4 基本分类（二）

  *   4 基本分类（二）之课件 datasets.rar

  *   5 文本分类

  *   5 文本分类之课件 1_1_keras_basic.rar

  *   6 keras知识

  *   7 keras知识2

  *   7 keras知识2之课件 data_save.rar

  *   8 keras知识3

  *   9 keras知识4

  *   9 keras知识4之课件 opt-layer.rar

  *   10 keras知识5

  *   11 keras知识6

  *   12 回归

  *   13 过拟合与欠拟合

  *   14 模型的保存与恢复

  *   15 使用CNN图像识别

  *   15 使用CNN图像识别之课件 9_CNN.rar

  *   16 使用CNN识别图像2

  *   17 循环神经网络

  *   17 循环神经网络之课件 10_lstm.rar

  *   18 循环神经网络2

  *   19 自然语言处理

  *   19 自然语言处理之课件 8.12 自然语言处理 NLP - with Word Embeddings-zh.ipynb

  *   20 自然语言处理2

  *   21 自然语言处理3

  *   22 自然语言处理4

*   13 （必修）第九部分：贝叶斯分类器/

  *   1 极大似然估计

  *   1 极大似然估计之课件 9.1 极大似然估计.pptx

  *   2 朴素贝叶斯分类器1

  *   2 朴素贝叶斯分类器1之课件 朴素贝叶斯.rar

  *   3 朴素贝叶斯分类器2

  *   3 朴素贝叶斯分类器2之课件 9_Baiyes.rar

  *   4 朴素贝叶斯分类器3

  *   5 朴素贝叶斯分类器4

  *   6 EM算法

  *   6 EM算法之课件 9.3 EM期望值最大化.pptx

*   14 （必修）第十部分：集成学习/

  *   1 集成学习概述

  *   1 集成学习概述之课件 10_ensembling.rar

  *   2 常见集成学习方法1

  *   3 补充EM例子

  *   3 补充EM例子之课件 em.rar

  *   4 常见集成学习例子2

  *   5 xgboost例子

*   15 （必修）第一十一部分：聚类/

  *   1 k-means聚类

  *   1 k-means聚类之课件 11_cluster.rar

  *   2 层次聚类1

  *   3 层次聚类2

  *   4 密度聚类

*   16 （必修）第一十二部分：降维与度量学习/

  *   1 主成分分析

  *   1 主成分分析之课件 12_DimReduct.rar

  *   2 非线性PCA，流形学习，度量学习

  *   3 非线性PCA,流形学习,度量学习2

  *   4 综合应用-文本降维与聚类

  *   5 综合应用-文本降维与聚类2

*   17 （必修）第一十三部分：特征选择与稀疏学习/

  *   1 子集搜索与评价

  *   2 过滤式选择、包裹式选择

  *   3 嵌入式选择与L_1正则化、稀疏表示与字典学习

  *   4 使用Python接口进行特征选择

*   18 （必修）第一十四部分：计算学习理论/

  *   1 基础知识

  *   1 基础知识之课件 14.计算学习理论.ppt

  *   2 PAC学习

  *   3 VC维、Rademacher复杂度、稳定性

*   19 （必修）第一十五部分：半监督学习/

  *   1 基本理论

  *   2 基本理论2

  *   2 基本理论2之课件 15_semi_supervised.zip

  *   3 python接口1

  *   4 python接口2

*   20 （必修）第一十六部分：概率图模型/

  *   1 隐马尔可夫模型

  *   2 隐马尔科夫模型2

  *   2 隐马尔科夫模型2之课件 16_ProbGraphModel.7z

  *   3 马尔可夫随机场与条件随机场

  *   4 学习与推断（变量消去、信念传播）

  *   5 话题模型

*   21 （必修）第一十七部分：规则学习/

  *   1 基本概念

*   22 （必修）第一十八部分：强化学习/

  *   1 Q-learning1

  *   1 Q-learning1之课件 AIGame.rar

  *   2 Q-learning2

  *   3 深度强化学习1

  *   4 深度强化学习2

  *   5 深度强化学习3

*   23 （必修）第一十九部分：增量学习/

  *   1 增量学习思想

  *   1 增量学习思想之课件 19_OnlineLearn.rar

  *   2 增量学习例子

*   24 （必修）第二十部分：迁移学习/

  *   1 迁移学习简介

  *   1 迁移学习简介之课件 20_TransferLearn.rar

  *   2 迁移学习例子1

*   25 （必修）第二十一部分：主动学习/

  *   1 主动学习思想与例子

  *   1 主动学习思想与例子之课件 21_ActiveLearn.rar

*   26 （必修）第二十二部分：多任务学习/

  *   1 多任务学习思想与例子

  *   1 多任务学习思想与例子之课件 22_multi-task-learn.rar

*   27 （必修）第二十三部分：机器学习项目实战/

  *   1 resnet的具体实现

  *   1 resnet的具体实现之课件 1_resnet.zip

  *   2 推荐系统

  *   2 推荐系统之课件 2_reco.rar

  *   3 deepdream

  *   3 deepdream之课件 3_deep_dream.zip

  *   4 deepdream2

  *   4 deepdream2之课件 4_style_transfer.rar

  *   5 风格迁移

  *   6 图像分割

  *   6 图像分割之课件 26.5-1图像分割.ppt

  *   7 图像分割2

  *   8 目标检测