留給人類的時間不多了？現在不學機器學習更待何時！

微信公眾號

關鍵字全網搜尋最新排名

【機器學習演算法】：排名第一

【機器學習】：排名第一

【Python】：排名第三

【演算法】：排名第四

立即參團

原價 ¥899.00

目前已達最低價 ¥399.00

>>點選文末閱讀原文參團<<

機器學習（升級版Ⅶ）

課程目標：本課程特點是從數學層面推導最經典的機器學習演算法，以及每種演算法的示例和程式碼實現（Python）、如何做演算法的引數除錯、以實際應用案例分析各種演算法的選擇等。

主講老師： 鄒博 小象學院簽約講師 

計算機博士，現科學院從事科研教學工作；主持國家級科研專案2個，副負責1個，國家專利2項，研究方向機器學習、資料探勘、計算幾何，應用於股票交易與預測、醫藥影像識別、智慧畜牧等方向。擅長機器學習模型選擇、核心演算法分析和程式碼實現。

開課時間：2017年11月24日

學習方式：

線上直播，共24次

每週3次（週一、三、五晚上20:00-22:00）

直播後提供錄製回放視訊，線上反覆觀看，有效期1年

升級版Ⅶ的內容特色：

1.每個演算法模組按照“原理講解→分析資料→自己動手實現→特徵與調參”的順序，“原理加實踐，頂天立地”。

2.拒絕簡單的“調包”——增加3次“機器學習的角度看數學”和3次“Python資料清洗和特徵提取”，提升學習深度、降低學習坡度。

3.增加網路爬蟲的原理和編寫，從獲取資料開始，重視將實踐問題轉換成實際模型的能力，分享工作中的實際案例或Kaggle案例：廣告銷量分析、環境資料異常檢測和分析、數字影像手寫體識別、Titanic乘客存活率預測、使用者-電影推薦、真實新聞組資料主題分析、中文分詞、股票資料特徵分析等。

4.強化矩陣運算、概率論、數理統計的知識運用，掌握機器學習根本。

5.闡述機器學習原理，提供配套原始碼和資料；確保“懂推導，會實現”。

6.刪去過於晦澀的公式推導，代之以直觀解釋，增強感性理解。

7.對比不同的特徵選擇帶來的預測效果差異。

8.重視專案實踐(如工業實踐、Kaggle等)，重視落地。思考不同演算法之間的區別和聯絡，提高在實際工作中選擇演算法的能力。

9.涉及和講解的部分Python庫有：Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn，涉及的其他“小”庫在課程的實踐環節會逐一講解。

課程大綱

第一課：機器學習的數學基礎1 - 數學分析

 

1.  機器學習的一般方法和橫向比較

2.  數學是有用的：以SVD為例

3.  機器學習的角度看數學

4.  複習數學分析

5.  直觀解釋常數e

6.  導數/梯度

7.  隨機梯度下降

8.  Taylor展式的落地應用

9.  gini係數

10. 凸函式

11. Jensen不等式

12. 組合數與資訊熵的關係

 

第二課：機器學習的數學基礎2 - 概率論與貝葉斯先驗

 

1.  概率論基礎

2.  古典概型

3.  貝葉斯公式

4.  先驗分佈/後驗分佈/共軛分佈

5.  常見概率分佈

6.  泊松分佈和指數分佈的物理意義

7.  協方差(矩陣)和相關係數

8.  獨立和不相關

9.  大數定律和中心極限定理的實踐意義

10.  深刻理解最大似然估計MLE和最大後驗估計MAP

11.  過擬合的數學原理與解決方案

 

第三課：機器學習的數學基礎3 - 矩陣和線性代數

 

1.  線性代數在數學科學中的地位

2.  馬爾科夫模型

3.  矩陣乘法的直觀表達

4.  狀態轉移矩陣

5.  矩陣和向量組

6.  特徵向量的思考和實踐計算

7.  QR分解

8.  對稱陣、正交陣、正定陣

9.  資料白化及其應用

10.  向量對向量求導

11.  標量對向量求導

12.  標量對矩陣求導

 

第四課：Python基礎1 - Python及其數學庫

 

1.  直譯器Python2.7與IDE：Anaconda/ Pycharm

2.  Python基礎：列表/元組/字典/類/檔案

3.  Taylor展式的程式碼實現

4.  numpy/scipy/matplotlib/panda的介紹和典型使用

5.  多元高斯分佈

6.  泊松分佈、冪律分佈

7.  典型影像處理

8.  蝴蝶效應

9.  分形與視覺化

 

第五課：Python基礎2 - 機器學習庫

 

1.  scikit-learn的介紹和典型使用

2.  損失函式的繪製

3.  多種數學曲線

4.  多項式擬合

5.  快速傅立葉變換FFT

6.  奇異值分解SVD

7.  Soble/Prewitt/Laplacian運算元與卷積網路

8.  卷積與(指數)移動平均線

9.  股票資料分析

 

第六課：Python基礎3 - 資料清洗和特徵選擇

 

1.  實際生產問題中演算法和特徵的關係

2.  股票資料的特徵提取和應用

3.  一致性檢驗

4.  缺失資料的處理

5.  環境資料異常檢測和分析

6.  模糊資料查詢和資料校正方法、演算法、應用

7.  樸素貝葉斯用於鳶尾花資料

8.  GaussianNB/MultinomialNB/BernoulliNB

9.  樸素貝葉斯用於18000+篇/Sogou新聞文字的分類

 

第七課： 迴歸

 

1.  線性迴歸

2.  Logistic/Softmax迴歸

3.  廣義線性迴歸

4.  L1/L2正則化

5.  Ridge與LASSO

6.  Elastic Net

7.  梯度下降演算法：BGD與SGD

8.  特徵選擇與過擬合

 

第八課：Logistic迴歸

 

1.  Sigmoid函式的直觀解釋

2.  Softmax迴歸的概念源頭

3.  Logistic/Softmax迴歸

4.  最大熵模型

5.  K-L散度

6.  損失函式

7.  Softmax迴歸的實現與調參

 

第九課：迴歸實踐

 

1.  機器學習sklearn庫介紹

2.  線性迴歸程式碼實現和調參

3.  Softmax迴歸程式碼實現和調參

4.  Ridge迴歸/LASSO/Elastic Net

5.  Logistic/Softmax迴歸

6.  廣告投入與銷售額迴歸分析

7.  鳶尾花資料集的分類

8.  交叉驗證

9.  資料視覺化

 

第十課：決策樹和隨機森林

 

1.  熵、聯合熵、條件熵、KL散度、互資訊

2.  最大似然估計與最大熵模型

3.  ID3、C4.5、CART詳解

4.  決策樹的正則化

5.  預剪枝和後剪枝

6.  Bagging

7.  隨機森林

8.  不平衡資料集的處理

9.  利用隨機森林做特徵選擇

10. 使用隨機森林計算樣本相似度

11. 資料異常值檢測

 

第十一課：隨機森林實踐

 

1.  隨機森林與特徵選擇

2.  決策樹應用於迴歸

3.  多標記的決策樹迴歸

4.  決策樹和隨機森林的視覺化

5.  葡萄酒資料集的決策樹/隨機森林分類

6.  波士頓房價預測

 

第十二課：提升

 

1.  提升為什麼有效

2.  梯度提升決策樹GBDT

3.  XGBoost演算法詳解

4.  Adaboost演算法

5.  加法模型與指數損失

 

第十三課：提升實踐

 

1.  Adaboost用於蘑菇資料分類

2. Adaboost與隨機森林的比較

3.  XGBoost庫介紹

4.  Taylor展式與學習演算法

5.  KAGGLE簡介

6.  泰坦尼克乘客存活率估計

 

第十四課：SVM

 

1.  線性可分支援向量機

2.  軟間隔的改進

3.  損失函式的理解

4.  核函式的原理和選擇

5.  SMO演算法

6.  支援向量迴歸SVR

 

第十五課：SVM實踐

 

1.  libSVM程式碼庫介紹

2.  原始資料和特徵提取

3.  葡萄酒資料分類

4.  數字影像的手寫體識別

5.  SVR用於時間序列曲線預測

6.  SVM、Logistic迴歸、隨機森林三者的橫向比較

 

第十六課：聚類（上）

 

1.  各種相似度度量及其相互關係

2.  Jaccard相似度和準確率、召回率

3.  Pearson相關係數與餘弦相似度

4.  K-means與K-Medoids及變種

5.  AP演算法(Sci07)/LPA演算法及其應用

 

第十七課：聚類（下）

 

1.  密度聚類DBSCAN/DensityPeak(Sci14)

2.  DensityPeak(Sci14)

3.  譜聚類SC

4.  聚類評價AMI/ARI/Silhouette

5.  LPA演算法及其應用

 

第十八課：聚類實踐

 

1.  K-Means++演算法原理和實現

2.  向量量化VQ及影像近似

3.  並查集的實踐應用

4.  密度聚類的程式碼實現

5.  譜聚類用於圖片分割

 

第十九課：EM演算法

 

1.  最大似然估計

2.  Jensen不等式

3.  樸素理解EM演算法

4.  精確推導EM演算法

5.  EM演算法的深入理解

6.  混合高斯分佈

7.  主題模型pLSA

 

第二十課：EM演算法實踐

 

1.  多元高斯分佈的EM實現

2.  分類結果的資料視覺化

3.  EM與聚類的比較

4.  Dirichlet過程EM

5.  三維及等高線等圖件的繪製

6.  主題模型pLSA與EM演算法

 

 第二十一課：主題模型LDA

 

1.  貝葉斯學派的模型認識

2.  Beta分佈與二項分佈

3.  共軛先驗分佈

4.  Dirichlet分佈

5.  Laplace平滑

6.  Gibbs取樣詳解

 

第二十二課：LDA實踐

 

1.  網路爬蟲的原理和程式碼實現

2.  停止詞和高頻詞

3.  動手自己實現LDA

4.  LDA開源包的使用和過程分析

5.  Metropolis-Hastings演算法

6.  MCMC

7.  LDA與word2vec的比較

8.  TextRank演算法與實踐

 

第二十三課：隱馬爾科夫模型HMM

 

1.  概率計算問題

2.  前向/後向演算法

3.  HMM的引數學習

4.  Baum-Welch演算法詳解

5.  Viterbi演算法詳解

6.  隱馬爾科夫模型的應用優劣比較

 

第二十四課：HMM實踐

 

1.  動手自己實現HMM用於中文分詞

2.  多個語言分詞開源包的使用和過程分析

3.  檔案資料格式UFT-8、Unicode

4.  停止詞和標點符號對分詞的影響

5.  前向後向演算法計算概率溢位的解決方案

6.  發現新詞和分詞效果分析

7.  高斯混合模型HMM

8.  GMM-HMM用於股票資料特徵提取

（點選左下角閱讀原文瞭解更多）

參團！諮詢！檢視課程！

就點這裡！