【最新】2018面向工程师的最佳【统计机器学习】课程课件、作业、视频链接

美国圣母大学2017年新开课程《给科学家和工程师的统计学习》Statistical Computing for Scientists and Engineers 涵盖了统计学习中的几乎所有重要知识，包括《概率与统计、信息论、多维高斯分布、最大后验估计、贝叶斯统计、指数族分布、贝叶斯线性回归、蒙特卡洛方法、重要性采样、吉布斯采样、状态空间模型、EM算法、主成分分析、连续隐变量模型、核方法与高斯过程等》，并提供视频，PPT，课程作业及其参考答案与代码，还有大量参考学习资源，是不可多得的统计学习课程。和李航的统计学习方法配合学习效果更佳。 讲课课件和视频 1. 统计计算，概率与统计导论 2. 概率与统计导论（第一节延续） 3. 信息论，多维高斯分布，最大似然估计，罗宾斯 - 门罗算法 4. 基于罗宾斯 - 门罗的序列最大似然估计，条件与边缘高斯分布 5. 似然计算，最大后验估计，正则化最小二乘，线性高斯模型 6. 贝叶斯统计简介，指数族分布 7. 指数族分布和广义线性模型，多维高斯分布的贝叶斯推断 8. 先验与层次模型 9. 贝叶斯线性回归简介，模型比较与选型 10. 贝叶斯线性回归 11. 贝叶斯线性回归（续） 12. 贝叶斯回归和变量选择的实现 13. 蒙特卡洛方法简介，离散与连续分布采样 14. 逆采样，变换采样，接受-拒绝方法，分层/系统抽样 15. 重要性采样 16. 吉布斯采样 17. 马尔科夫蒙特卡洛MCMC算法 18. 状态空间模型与顺序重要性采样简介 19. 顺序重要性重采样 20. 顺序重要性重采样（续） 21. 序列蒙特卡洛与条件线性高斯模型 22. 逆跳跃马尔科夫链蒙特卡洛 23. 期望最大算法简介 24. 期望最大算法（续） 25. 主成分分析 26. 连续隐变量模型 27. 核方法与高斯过程