GitChat《21天入门机器学习》【完结】

资源目录：
├─00开营礼包
├─00开营仪式
│ ├─00开营仪式.mp4
│ ├─00开营仪式ppt.pdf
│ └─00开营仪式-链接.docx
│
├─00开篇词 入门机器学习，已迫在眉睫.docx
├─00热身课 入行 AI，选个脚踏实地的岗位.docx
├─第01课：为什么要学原理和公式推导.docx
├─第02课：学习机器学习原理，改变看待世界的方式.docx
├─第03课：如何学习“机器学习”.docx
├─第04课：为什么要学 Python 以及如何学 Python.docx
├─第05课：机器是如何学习的？.docx
├─第06课：机器学习三要素之数据、模型、算法.docx
├─第07课：模型的获取和改进.docx
├─第08课：模型的质量和评判指标.docx
├─第09课：最常用的优化算法——梯度下降法.docx
├─第10课：线性回归——从模型函数到目标函数.docx
├─第11课：线性回归——梯度下降法求解目标函数.docx
├─第12课：朴素贝叶斯分类器——从贝叶斯定理到分类模型.docx
├─第13课：朴素贝叶斯分类器——条件概率的参数估计.docx
├─第14课：逻辑回归——非线性逻辑函数的由来.docx
├─第15课：逻辑回归——用来做分类的回归模型.docx
├─第16课：决策树——既能分类又能回归的模型.docx
├─第17课：决策树——告诉你 Hello Kitty 是人是猫.docx
├─第18课：SVM——线性可分 SVM 原理.docx
├─第19课：SVM——直观理解拉格朗日乘子法.docx
├─第20课：SVM——对偶学习算法.docx
├─第21课：SVM——线性 SVM，间隔由硬到软.docx
├─第22课：SVM——非线性 SVM 和核函数.docx
├─第23课：SVR——一种“宽容”的回归模型.docx
├─第24课：直观认识 SVM 和 SVR.docx
├─第25课：HMM——定义和假设.docx
├─第26课：HMM——三个基本问题.docx
├─第27课：HMM——三个基本问题的计算.docx
├─第28课：CRF——概率无向图模型到线性链条件随机场.docx
├─第29课：CRF——三个基本问题.docx
├─第30课：从有监督到无监督：由 KNN 引出 KMeans.docx
├─第31课：KMeans——最简单的聚类算法.docx
├─第32课：谱聚类——无需指定簇数量的聚类.docx
├─第33课：EM算法——估计含有隐变量的概率模型的参数.docx
├─第34课：GMM——将“混”在一起的样本各归其源.docx
├─第35课：GMM——用 EM 算法求解 GMM.docx
├─第36课：PCA——利用数学工具提取主要特征.docx
├─第37课：PCA——用 SVD 实现 PCA.docx
├─第38课：人工智能和神经网络.docx
├─第39课：几种深度学习网络.docx
└─第40课：深度学习的愿景、问题、应用和资料.docx