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!
相關文章
- TS 基礎及在 Vue 中的實踐:TypeScript 都發布 5.0 版本啦,現在不學更待何時!VueTypeScript
- Siri到了危險關頭 留給蘋果的時間不多了蘋果
- 小程式的出現留給APP的時間還會久嗎?APP
- @JsonFormat時間不對JSONORM
- 電腦時間不準怎麼辦 電腦時間不對的解決辦法
- sleep 時間段不佔指令碼執行時間指令碼
- [譯] 給人類的機器學習指南??機器學習
- Ubuntu 時間不準,怎麼設定NTP時間同步?Ubuntu
- win10時間老是不準怎麼辦 win10時間不對的解決教程Win10
- Apple Watch待機時間多長?可以更換電池嗎?APP
- 在 用 Laravel-admin 擴充套件的時候時間日期格式多了個.000000Z, 而且格式也不對,這個如何解決呢?Laravel套件
- 將不確定變為確定~類中的屬性何時被執行
- MySQL並行複製延時時間不準確MySql並行
- JS實現檢查給定時間範圍是否在每天的某個時間段內JS
- 協作機器人案例:在不確定的時期提供確定性機器人
- 機器人將搶走人類的飯碗?不 它只會讓人類更強大機器人
- JS判定一個給定的時間在某個時間範圍內JS
- 何時使用static類(工具類)
- Win10系統時間不準確的解決方法 Win10系統時間不準怎麼辦?Win10
- 任天堂:Switch短時間不會入華
- 總是感覺時間不夠用?程式設計師如何管理時間?程式設計師
- php不設定指令碼執行時間的方法PHP指令碼
- linux調好的時間怎麼不對了Linux
- 飛矢不動悖論——不存在的時間?
- win10 mobile不會同步時間怎麼解決_win10 mobile不會同步時間怎麼辦Win10
- 找工作的考官出的題,限2個小時。做出來,留;不會,走人!
- vue在不確定介面何時請求完的情況下,如何改變陣列Vue陣列
- Win10系統如何設定待機時間 win10設定待機時間的方法Win10
- 寫給人類的機器學習四、神經網路和深度學習機器學習神經網路深度學習
- js中拼接字串時,onclick順序亂了不執行時間JS字串
- 時間管理類APP分析:拇指時間APP
- Android 時間軸的實現(RecyclerView更簡單)AndroidView
- 日期時間類
- win10時間不準怎樣自動校準時間_win10自動校準時間的步驟Win10
- 時間軸、流程類時間軸繪製
- 遷移學習時間序列分類遷移學習
- 《印象筆記留給你的想象空間》:學會整理筆記
- 為何90%的IT技術人員不適合做老大