机器学习
1 课程简介
2 数据与数据预处理
3 线性回归模型
4 决策树与 K 最近邻算法
5 参数模型学习与评估
6 感知机、 Python机器学习入门
7 支持向量机与逻辑回归
8 神经网络
9 贝叶斯学习：贝叶斯决策、朴素贝叶斯、线性判别分析
10 降维算法：主成分分析、Fisher判别分析、自动编码器
11 聚类算法：K均值算法、GMM算法
12 核方法
13 集成学习：随机森林、Adaboost、梯度提升算法
14 生成模型：生成对抗网络、变分自动编码器、稳定扩散模型
15 机器学习实际应用中的问题
