跳转至
AI & Math
贝叶斯学习
正在初始化搜索引擎
序言与总览
关于
基础数学
计算数学
统计计算
统计学习理论 (LTFP)
算法介绍
AI4MATH 前沿
AI & Math
序言与总览
关于
基础数学
基础数学
基础数学
数学分析
高等代数
测度论
概率论
微分方程
泛函分析
数理统计
多元统计
因果推断
计算数学
计算数学
计算数学
数值线性代数
数值线代上机实验
数值分析
数值微分方程
一维输运方程迎风格式实验
抛物型方程差分格式实验
凸优化
无约束优化算法对比
工业计算
工业计算
专题总览
CAD、CAE 与工业软件计算链
有限元方法:从插值到装配
并行计算基础
逆问题与高维计算札记
统计计算
统计计算
专题总览
统计计算总复习
R 脚本索引
统计学习理论 (LTFP)
统计学习理论 (LTFP)
总览
Ch1 再论集中不等式
Ch1-Ch5 跨章基础与优化
Ch1 Bernstein不等式与极大值期望
Ch2 监督学习导论 (§2.1–2.5)
Ch3.1-3.4 线性算法基础
Ch3 PCA与主成分回归 (§3.9)
Ch3.5-3.9 岭回归与极小极大下界
Ch4.1-4.4.3 风险凸化与误差分解
Ch4.4.4-4.5 覆盖数与Rademacher导入
Ch4.5.1-4.5.3 Rademacher复杂度
Ch4.5.4-4.5.6 风险界与正则化估计
Ch4.6-4.7 模型选择与补充推导
Ch5 优化简单介绍(跨 §5.1–5.4)
Ch5.3 非光滑优化
Ch5.4 随机梯度下降 (§5.4)
Ch5.4.1 强凸SGD
Ch6.1-6.3 局部平均与一致性
Ch6.4-6.5 普遍一致性与光滑性
Ch7.2-7.3 表示定理与核基础
Ch7.3-7.4 核表示与近似算法
Ch7.5 泛化保证与逼近误差
Ch7.6 岭回归的理论分析
Ch8 稀疏回归与 Lasso 概览
Ch9.1-9.2 神经网络理论
Ch9.2-9.3 复杂度与变差范数
Ch11 在线学习到多臂赌博机概览
Ch12 过参数化模型概览
Ch15.1.5 回归下界与函数空间
习题与 Proposition 映射
稀疏学习与特征学习
算法介绍
算法介绍
机器学习
神经网络
决策树与集成学习
贝叶斯学习
贝叶斯学习
目录
内容规划
深度学习
压缩感知
AI4MATH 前沿
AI4MATH 前沿
AI4MATH前沿
经典论文
算法实例与训练体会
改良与实验
PINN 概览与拷打
PINN 讨论班讲义
PINN 训练体会
目录
内容规划
贝叶斯学习
状态:待补充
内容规划
贝叶斯定理与先验选择
共轭先验与解析解
贝叶斯线性回归
高斯过程(Gaussian Processes)
贝叶斯神经网络
变分推断与概率编程