【极致中配】加州大学洛杉矶分校 STATSC161 模式识别与机器学习导论 | 2023
UCLA STATSC161 课程，系统讲授模式识别与机器学习的核心理论：分类、回归、概率模型、聚类与降维等方法及其数学基础。
- 难度
- 难度 4/5 — 需概率、线性代数与优化基础，本科高年级到研究生水平的模式识别课程
- 适合人群
- 有数理基础、想系统入门机器学习与模式识别的本科高年级或研究生
- 前置要求
- 概率论与统计（贝叶斯、分布、期望等是核心工具）、线性代数（矩阵运算、特征值、向量空间）、微积分与最优化（梯度、求导用于模型训练）、编程基础（实现算法，通常用 Python）
- 课程规模
- 19 讲 · 877播放
主题覆盖
监督学习分类回归贝叶斯决策概率模型聚类降维线性模型神经网络模型评估特征提取泛化与过拟合
课程大纲（19 讲）
- P1 · Lecture 134 分钟
- P2 · Lecture 343 分钟
- P3 · Lecture 445 分钟
- P4 · Lecture 540 分钟
- P5 · Lecture 645 分钟
- P6 · Lecture 743 分钟
- P7 · Lecture 843 分钟
- P8 · Lecture 945 分钟
- P9 · Lecture 1044 分钟
- P10 · Lecture 1139 分钟
- P11 · Lecture 1240 分钟
- P12 · Lecture 1347 分钟
- P13 · Lecture 1441 分钟
- P14 · Lecture 1545 分钟
- P15 · Lecture 1645 分钟
- P16 · Lecture 1747 分钟
- P17 · Lecture 1843 分钟
- P18 · Lecture 1940 分钟
- P19 · Lecture 2043 分钟
本课程卡由 AI 生成，可能存在误差，欢迎反馈。