课程介绍

机器学习中的概率统计应用实践课程是一门旨在教授学生如何应用概率统计方法来解决机器学习问题的课程。该课程通常包括以下内容：

概率统计基础：介绍概率论和统计学的基本概念，包括概率分布、随机变量、概率密度函数、期望、方差等。
监督学习中的概率统计方法：介绍如何使用概率统计方法来解决监督学习问题，如线性回归、逻辑回归、朴素贝叶斯分类器等。学生将学习如何根据训练数据估计模型参数，并使用这些参数进行预测和分类。
无监督学习中的概率统计方法：介绍如何使用概率统计方法来解决无监督学习问题，如聚类、主成分分析等。学生将学习如何使用概率模型来描述数据的分布，并使用这些模型进行数据聚类和降维。
深度学习中的概率统计方法：介绍如何将概率统计方法应用于深度学习问题，如生成对抗网络（GAN）、变分自编码器（VAE）等。学生将学习如何使用概率模型来生成新的样本，并使用概率模型进行数据生成和推断。
实践项目：该课程通常还包括一个实践项目，让学生应用所学知识解决一个实际的机器学习问题。学生将通过完成项目来巩固所学的概率统计应用实践技能。

通过学习这门课程，学生将掌握如何使用概率统计方法来解决机器学习问题，从而提高模型的性能和预测能力。这门课程对于那些希望从事机器学习研究或应用的学生和专业人士非常有价值。

课程目录

8-001-【imooc】课程汇总/
│【imooc-545】机器学习中的概率统计应用实践[完结]/
││├─第1章概率统计课程导学
││├─第1章概率统计课程导学(1)
││├─第2章统计思维基石：条件概率与独立性
││├─第2章统计思维基石：条件概率与独立性(1)
││├─第3章聚焦基本元素：深入理解随机变量
││├─第4章从一元到多元：探索多元随机变量
││├─第5章极限思维：大数定律与蒙特卡罗方法
││├─第6章由静到动：随机过程导引
││├─第7章马尔科夫链（上）：转移与概率
││├─第8章马尔科夫链（下）：极限与稳态
││├─第9章隐马尔科夫模型（上）：明暗两条线
││├─第10章隐马尔可夫模型（下）：概率估计与状态解码
││├─第11章推断未知：统计推断的基本框架
││├─第12章探寻最大可能：极大似然估计法
││├─第13章贝叶斯统计推断：最大后验
││├─第14章近似推断的思想和方法
││├─第15章助力近似采样：基于马尔科夫链的采样过程
││├─第16章马尔科夫链-蒙特卡洛方法详解

详细目录

││第1章概率统计课程导学(1)/
│││├─第1章概率统计课程导学
│││第1章概率统计课程导学/
││││├─1-1 机器学习中的概率统计应用实践-课程导学【更多学习教程】_一手IT网课资源+微信[2].mp4 13.6MB
││第1章概率统计课程导学/
│││├─1-1 机器学习中的概率统计应用实践-课程导学【更多学习教程】_一手IT网课资源+微信[2].mp4 13.6MB
││第2章统计思维基石：条件概率与独立性(1)/
│││├─第2章统计思维基石：条件概率与独立性
│││第2章统计思维基石：条件概率与独立性/
││││├─2-1 本讲知识概览与导引【更多学习教程】_一手IT网课资源+微信[2].mp4 2.9MB
││││├─2-2 从概率到条件概率【更多学习教程】_一手IT网课资源+微信[2].mp4 12.8MB
││││├─2-3 条件概率与独立性【更多学习教程】_一手IT网课资源+微信[2].mp4 12.3MB
││││├─2-4 从独立到条件独立【更多学习教程】_一手IT网课资源+微信[2].mp4 19.4MB
││││├─2-5 全概率公式与贝叶斯基础【更多学习教程】_一手IT网课资源+微信[2].mp4 19.8MB
││││├─2-6 本讲小节及小讲预告【更多学习教程】_一手IT网课资源+微信[2].mp4 2.3MB
││第2章统计思维基石：条件概率与独立性/
│││├─2-1 本讲知识概览与导引【更多学习教程】_一手IT网课资源+微信[2].mp4 2.9MB
│││├─2-2 从概率到条件概率【更多学习教程】_一手IT网课资源+微信[2].mp4 12.8MB
│││├─2-3 条件概率与独立性【更多学习教程】_一手IT网课资源+微信[2].mp4 12.3MB
│││├─2-4 从独立到条件独立【更多学习教程】_一手IT网课资源+微信[2].mp4 19.4MB
│││├─2-5 全概率公式与贝叶斯基础【更多学习教程】_一手IT网课资源+微信[2].mp4 19.8MB
│││├─2-6 本讲小节及小讲预告【更多学习教程】_一手IT网课资源+微信[2].mp4 2.3MB
││第3章聚焦基本元素：深入理解随机变量/
│││├─3-1 本讲知识概览与导引【更多学习教程】_一手IT网课资源+微信[2].mp4 4.9MB
│││├─3-10 均匀分布的性质与采样（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 19.8MB
│││├─3-11 本讲小节及小讲预告【更多学习教程】_一手IT网课资源+微信[2].mp4 2MB
│││├─3-2 离散型随机变量及其分布列【更多学习教程】_一手IT网课资源+微信[2].mp4 14.1MB
│││├─3-3 二项分布及其PMF函数（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 26.2MB
│││├─3-4 二项分布的采样与数字特征（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 39.4MB
│││├─3-5 几何分布的性质与采样（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 30.5MB
│││├─3-6 泊松分布的性质与采样（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 18.4MB
│││├─3-7 连续型随机变量及其概率密度函数【更多学习教程】_一手IT网课资源+微信[2].mp4 10.1MB
│││├─3-8 正态分布的性质与采样（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 29.3MB
│││├─3-9 指数分布的性质与采样（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 25.7MB
││第4章从一元到多元：探索多元随机变量/
│││├─4-1 本讲知识概览与导引【更多学习教程】_一手IT网课资源+微信[2].mp4 8.1MB
│││├─4-10 二元高斯分布几何特征实证分析（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 22.9MB
│││├─4-11 本讲小节及下讲预告【更多学习教程】_一手IT网课资源+微信[2].mp4 1.8MB
│││├─4-2 多元随机变量的重要分布列【更多学习教程】_一手IT网课资源+微信[2].mp4 13.4MB
│││├─4-3 随机变量的独立性与条件独立性【更多学习教程】_一手IT网课资源+微信[2].mp4 18.9MB
│││├─4-4 多元随机变量的相关性与协方差矩阵【更多学习教程】_一手IT网课资源+微信[2].mp4 13.6MB
│││├─4-5 二元正态分布：从标准到一般（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 54.1MB
│││├─4-6 协方差与相关性的一个小问题（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 23.5MB
│││├─4-7 相关系数的概念和特性（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 15.4MB
│││├─4-8 随机变量独立与相关的概念辨析（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 11.6MB
│││├─4-9 多元高斯分布的参数特征（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 24.1MB
││第5章极限思维：大数定律与蒙特卡罗方法/
│││├─5-1 本讲知识概览与导引【更多学习教程】_一手IT网课资源+微信[2].mp4 5MB
│││├─5-10 本讲小结及下讲预告【更多学习教程】_一手IT网课资源+微信[2].mp4 1.7MB
│││├─5-2 从平均身高问题引入大数定律【更多学习教程】_一手IT网课资源+微信[2].mp4 3.5MB
│││├─5-3 大数定律背后的理论支撑【更多学习教程】_一手IT网课资源+微信[2].mp4 6.2MB
│││├─5-4 样本均值与随机变量期望的关系（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 24.1MB
│││├─5-5 样本均值的方差与分布（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 20.8MB
│││├─5-6 蒙特卡罗方法的应用背景【更多学习教程】_一手IT网课资源+微信[2].mp4 4.4MB
│││├─5-7 用蒙特卡罗方法近似计算圆面积（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 29.3MB
│││├─5-8 中心极限定理的基本概念和工程背景【更多学习教程】_一手IT网课资源+微信[2].mp4 6MB
│││├─5-9 中心极限定理的模拟与验证（含代码实战）【更多学习教程】_一手IT网课资源+微信[2].mp4 25.8MB
││第6章由静到动：随机过程导引/
│││├─6-1 本讲知识概览与导引.mp4 10.5MB
│││├─6-2 随机过程应用背景概述.mp4 3.3MB
│││├─6-3 博彩中的随机过程（含代码实战）.mp4 108.8MB
│││├─6-4 随机过程模拟：股票价格的总体分布（含代码实战）.mp4 48.1MB
│││├─6-5 股票价格变化过程的展现（含代码实战）.mp4 55.9MB
│││├─6-6 两类重要的随机过程.mp4 9.5MB
│││├─6-7 本讲小结及下讲预告.mp4 6.7MB
││第7章马尔科夫链（上）：转移与概率/
│││├─7-1 本讲知识概览与导引.mp4 9.9MB
│││├─7-2 离散时间马尔科夫链的三要素.mp4 11.5MB
│││├─7-3 马尔科夫链的基本性质和矩阵表示.mp4 47.2MB
│││├─7-4 多步转移概率的计算.mp4 45.2MB
│││├─7-5 多步转移与概率乘法（含代码实战）.mp4 38.4MB
│││├─7-6 路径概率问题举例.mp4 17.7MB
│││├─7-7 本讲小结及下讲预告.mp4 6.5MB
││第8章马尔科夫链（下）：极限与稳态/
│││├─8-1 本讲知识概览与导引.mp4 7.5MB
│││├─8-2 马尔可夫过程的两种典型极限状态.mp4 69.3MB
│││├─8-3 马尔可夫链中的常返类和周期性.mp4 45.2MB
│││├─8-4 马尔可夫链的稳态及求法.mp4 28.4MB
│││├─8-5 本讲小结与下讲预告.mp4 5.6MB
││第9章隐马尔科夫模型（上）：明暗两条线/
│││├─9-1 本讲知识概览与导引.mp4 13.3MB
│││├─9-2 隐马尔科夫模型导引.mp4 7.8MB
│││├─9-3 隐马尔科夫典型案例1：盒子摸球试验.mp4 40.3MB
│││├─9-4 隐马尔科夫典型案例2：小宝宝的日常生活.mp4 14.3MB
│││├─9-5 隐马尔科夫模型的外在特征和内核三要素.mp4 27.6MB
│││├─9-6 齐次马尔可夫性和观测独立性.mp4 18.1MB
│││├─9-7 本讲小结及下讲预告.mp4 5.6MB
││第10章隐马尔可夫模型（下）：概率估计与状态解码/
│││├─10-1 本讲知识概览与导引.mp4 7.8MB
│││├─10-10 盒子摸球案例中的状态解码实战.mp4 48.7MB
│││├─10-11 维特比算法的程序实现（含代码实战）.mp4 46.5MB
│││├─10-12 本讲小结及下讲预告.mp4 4.2MB
│││├─10-2 隐马尔可夫模型的两个研究主题.mp4 17.8MB
│││├─10-3 观测序列概率估计直观解法及其问题.mp4 18.3MB
│││├─10-4 用前向概率算法进行概率估计的原理.mp4 47.5MB
│││├─10-5 前向概率算法应用举例.mp4 18.8MB
│││├─10-6 前向概率算法的程序实现（含代码实战）.mp4 57.1MB
│││├─10-7 状态解码问题的描述.mp4 5.6MB
│││├─10-8 维特比算法与最大路径概率.mp4 92.2MB
│││├─10-9 用维特比算法进行状态解码的理论基础.mp4 31.1MB
││第11章推断未知：统计推断的基本框架/
│││├─11-1 本讲知识概览与导引.mp4 5.6MB
│││├─11-2 统计推断的一个引例.mp4 21MB
│││├─11-3 总体、样本与统计量.mp4 20.9MB
│││├─11-4 估计误差与无偏估计（含代码实战）.mp4 57.6MB
│││├─11-5 总体方差估计与有偏性（含代码实战）.mp4 77.6MB
│││├─11-6 本讲小结及下讲预告.mp4 4.6MB
││第12章探寻最大可能：极大似然估计法/
│││├─12-1 本讲知识概览与导引.mp4 13.7MB
│││├─12-2 极大似然估计法的引例（含代码实战）.mp4 28.3MB
│││├─12-3 似然函数的由来-.mp4 22.8MB
│││├─12-4 扩展到连续型的似然函数.mp4 1.9MB
│││├─12-5 极大似然估计的思想.mp4 31.5MB
│││├─12-6 极大似然估计的计算方法.mp4 16.2MB
│││├─12-7 单参数极大似然估计案例.mp4 11.6MB
│││├─12-8 多参数极大似然估计案例.mp4 32.5MB
│││├─12-9 本讲小结及下讲预告.mp4 2.9MB
││第13章贝叶斯统计推断：最大后验/
│││├─13-1 本讲知识概览与导引.mp4 7.4MB
│││├─13-2 贝叶斯定理的回顾.mp4 16.4MB
│││├─13-3 贝叶斯推断的理论过程.mp4 20.3MB
│││├─13-4 贝叶斯推断实战-选取先验分布（含代码实战）.mp4 47.4MB
│││├─13-5 贝叶斯推断实战-选择观测数据的分布（含代码实战）.mp4 41.1MB
│││├─13-6 贝叶斯推断实战-计算后验分布.mp4 23.3MB
│││├─13-7 贝叶斯推断全过程模拟验证（含代码实战）.mp4 259.3MB
│││├─13-8 关于共轭先验的问题.mp4 11.8MB
│││├─13-9 本讲小结及下讲预告.mp4 4.7MB
││第14章近似推断的思想和方法/
│││├─14-2 统计推断的场景与关注重点.mp4 16.5MB
│││├─14-4 随机近似方法的理论基础.mp4 37.8MB
│││├─14-10 两类采样方法的问题与思考.mp4 11.9MB
│││├─14-1 本讲知识概览与导引.mp4 8.3MB
│││├─14-5 接受-拒绝采样的基本方法.mp4 24.6MB
│││├─14-11 本讲小结及下讲预告.mp4 4.8MB
│││├─14-3 精确推断与近似推断的概念.mp4 9.3MB
│││├─14-7 接受-拒绝采样过程实践（含代码实战）.mp4 62.1MB
│││├─14-9 重要性采样的方法介绍.mp4 18.1MB
│││├─14-8 接受-拒绝采样的方法内涵分析.mp4 20.9MB
│││├─14-6 接受-拒绝采样中建议分布及参数选取（含代码实战）.mp4 39.6MB
││第15章助力近似采样：基于马尔科夫链的采样过程/
│││├─15-2 马尔科夫链重点内容回顾.mp4 31.6MB
│││├─15-3 马尔科夫链平稳分布的理解.mp4 26.6MB
│││├─15-6 基于马尔科夫链的采样过程.mp4 41.3MB
│││├─15-8 一个显而易见的难题.mp4 11.3MB
│││├─15-9 本讲小结及下讲预告.mp4 7.7MB
│││├─15-5 稳态过程的再剖析与意义分析.mp4 27.1MB
│││├─15-4 马尔科夫链进入稳态的过程演示（含代码实战）.mp4 135.6MB
│││├─15-7 基于马尔科夫链的采样过程实践（含代码实战）.mp4 112.3MB
│││├─15-1 本讲知识概览与导引.mp4 8.8MB
││第16章马尔科夫链-蒙特卡洛方法详解/
│││├─16-7 本讲小结.mp4 3.5MB
│││├─16-6 M-H方法的实践（含代码实战）.mp4 108.9MB
│││├─16-1 本讲知识概览与导引.mp4 12MB
│││├─16-2 问题的目标与细致平稳条件.mp4 32.6MB
│││├─16-3 Metropolis-Hastings方法的基本思路.mp4 25.5MB
│││├─16-5 M-H方法中建议矩阵Q的选取.mp4 81.3MB
│││├─16-4 M-H方法中的随机游走与接受因子.mp4 59.7MB