课程介绍
课程把机器学习所需的数学知识与编程案例联系起来，从函数求导和 BP 算法进入矩阵运算、矩阵论与奇异值分解，再讲解凸函数、对偶理论及 SVM 求解。
后续覆盖概率统计、极大似然估计、朴素贝叶斯和信息论，并通过房价预测、推荐、二分类及决策树等案例练习。当前分享包含 27 个视频和部分代码、阅读资料，以下只列出实际文件，不以官方完整课件清单替代现有资源。
网盘说明：本课程为夸克网盘资源。
课程目录
PART1
任务1-2：【视频】第一章：绪论（上）
任务1-3：【视频】第一章：绪论（下）
任务2-2：【视频】习题讲解
任务3-2：【视频】第二章：函数求导（上）
任务3-3：【视频】第二章：函数求导（中）
任务4-2：【视频】第二章：BP算法（上）
任务4-3：【视频】第二章：BP算法（下）
任务5-1：【视频】第二章习题讲解
任务5-3：【视频】BP算法及其应用——波士顿房价预测
任务6-2：【视频】第三章：矩阵运算（上）
任务7-2：【视频】第三章：矩阵运算（下）
任务8-2：【视频】编程实践：矩阵的运算
任务9-2：【视频】第三章：矩阵论（三）
任务10-3：【视频】编程实践：基于奇异值分解SVD进行智能推荐
任务11-2：【视频】凸函数
任务12-2：【视频】对偶理论及SVM的对偶求解
任务13-2：【视频】编程实践：基于支持向量机 SVM 进行二分类
任务14-2：【视频】概率统计（上）
任务15-2：【视频】概率统计（中）
课程总结
PART2
任务16-2：【视频】概率统计（下）
任务17-2：【视频】极大似然估计&朴素贝叶斯
任务18-2：【视频】编程实践：基于朴素贝叶斯和拉普拉斯平滑预测乳腺癌
任务19-3：【视频】信息论上
任务20-2：【视频】信息论基础-中
任务21-2：【视频】信息论基础-下
任务21-4：【实践】案例实践：决策树及其应用
配套练习资料
Bayesian.py
Breastcancer.py
DT_C4.5.py
treePlotter.py
任务2-3：【资料】第二章课程辅助资料.zip
任务5-4：【代码】BP算法及其应用-波士顿房价预测.rar
任务10-2：【代码】SVD2.rar
任务13-3：【代码】编程实践：基于支持向量机 SVM 进行二分类.rar
编程实践：基于决策树和 C4.5 算法进行二分类.pdf
资料1-Information Theory, Inference, and Learning Algorithms (仅供学习使用,不得用于商业目的).pdf
资料1-The Multivariate Gaussian Distribution(仅供学习使用,不得用于商业目的).pdf
资料2-Elements of Information Theory Elements-第二版 (仅供学习使用,不得用于商业目的).pdf
资料2-More on Multivariate Gaussians(仅供学习使用,不得用于商业目的).pdf
资料3-Elements of Information Theory Second Edition-Solutions to Problems (仅供学习使用,不得用于商业目的).pdf
