留给人类的时间不多了现在不学机器学习更待

2022/7/14 来源:不详

北京中科白癜风医院热心公益 http://www.bdfyy999.com/guanyuzhongke/dashiji/m/
立即参团

原价¥.00

目前已达最低价¥.00

点击文末阅读原文参团

机器学习(升级版Ⅶ)

课程目标:本课程特点是从数学层面推导最经典的机器学习算法,以及每种算法的示例和代码实现(Python)、如何做算法的参数调试、以实际应用案例分析各种算法的选择等。

主讲老师:邹博小象学院签约讲师

计算机博士,现科学院从事科研教学工作;主持国家级科研项目2个,副负责1个,国家专利2项,研究方向机器学习、数据挖掘、计算几何,应用于股票交易与预测、医药图像识别、智能畜牧等方向。擅长机器学习模型选择、核心算法分析和代码实现。

开课时间:年11月24日

学习方式:

在线直播,共24次

每周3次(周一、三、五晚上20:00-22:00)

直播后提供录制回放视频,在线反复观看,有效期1年

升级版Ⅶ的内容特色:

1.每个算法模块按照“原理讲解→分析数据→自己动手实现→特征与调参”的顺序,“原理加实践,顶天立地”。

2.拒绝简单的“调包”——增加3次“机器学习的角度看数学”和3次“Python数据清洗和特征提取”,提升学习深度、降低学习坡度。

3.增加网络爬虫的原理和编写,从获取数据开始,重视将实践问题转换成实际模型的能力,分享工作中的实际案例或Kaggle案例:广告销量分析、环境数据异常检测和分析、数字图像手写体识别、Titanic乘客存活率预测、用户-电影推荐、真实新闻组数据主题分析、中文分词、股票数据特征分析等。

4.强化矩阵运算、概率论、数理统计的知识运用,掌握机器学习根本。

5.阐述机器学习原理,提供配套源码和数据;确保“懂推导,会实现”。

6.删去过于晦涩的公式推导,代之以直观解释,增强感性理解。

7.对比不同的特征选择带来的预测效果差异。

8.重视项目实践(如工业实践、Kaggle等),重视落地。思考不同算法之间的区别和联系,提高在实际工作中选择算法的能力。

9.涉及和讲解的部分Python库有:Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn,涉及的其他“小”库在课程的实践环节会逐一讲解。

课程大纲

第一课:机器学习的数学基础1-数学分析

1.机器学习的一般方法和横向比较

2.数学是有用的:以SVD为例

3.机器学习的角度看数学

4.复习数学分析

5.直观解释常数e

6.导数/梯度

7.随机梯度下降

8.Taylor展式的落地应用

9.gini系数

10.凸函数

11.Jensen不等式

12.组合数与信息熵的关系

第二课:机器学习的数学基础2-概率论与贝叶斯先验

1.概率论基础

2.古典概型

3.贝叶斯公式

4.先验分布/后验分布/共轭分布

5.常见概率分布

6.泊松分布和指数分布的物理意义

7.协方差(矩阵)和相关系数

8.独立和不相关

9.大数定律和中心极限定理的实践意义

10.深刻理解最大似然估计MLE和最大后验估计MAP

11.过拟合的数学原理与解决方案

第三课:机器学习的数学基础3-矩阵和线性代数

1.线性代数在数学科学中的地位

2.马尔科夫模型

3.矩阵乘法的直观表达

4.状态转移矩阵

5.矩阵和向量组

6.特征向量的思考和实践计算

7.QR分解

8.对称阵、正交阵、正定阵

9.数据白化及其应用

10.向量对向量求导

11.标量对向量求导

12.标量对矩阵求导

第四课:Python基础1-Python及其数学库

1.解释器Python2.7与IDE:Anaconda/Pycharm

2.Python基础:列表/元组/字典/类/文件

3.Taylor展式的代码实现

4.numpy/scipy/matplotlib/panda的介绍和典型使用

5.多元高斯分布

6.泊松分布、幂律分布

7.典型图像处理

8.蝴蝶效应

9.分形与可视化

第五课:Python基础2-机器学习库

1.scikit-learn的介绍和典型使用

2.损失函数的绘制

3.多种数学曲线

4.多项式拟合

5.快速傅里叶变换FFT

6.奇异值分解SVD

7.Soble/Prewitt/Laplacian算子与卷积网络

8.卷积与(指数)移动平均线

9.股票数据分析

第六课:Python基础3-数据清洗和特征选择

1.实际生产问题中算法和特征的关系

2.股票数据的特征提取和应用

3.一致性检验

4.缺失数据的处理

5.环境数据异常检测和分析

6.模糊数据查询和数据校正方法、算法、应用

7.朴素贝叶斯用于鸢尾花数据

8.GaussianNB/MultinomialNB/BernoulliNB

9.朴素贝叶斯用于+篇/Sogou新闻文本的分类

第七课:回归

1.线性回归

2.Logistic/Softmax回归

3.广义线性回归

4.L1/L2正则化

5.Ridge与LASSO

6.ElasticNet

7.梯度下降算法:BGD与SGD

8.特征选择与过拟合

第八课:Logistic回归

1.Sigmoid函数的直观解释

2.Softmax回归的概念源头

3.Logistic/Softmax回归

4.最大熵模型

5.K-L散度

6.损失函数

7.Softmax回归的实现与调参

第九课:回归实践

1.机器学习sklearn库介绍

2.线性回归代码实现和调参

3.Softmax回归代码实现和调参

4.Ridge回归/LASSO/ElasticNet

5.Logistic/Softmax回归

6.广告投入与销售额回归分析

7.鸢尾花数据集的分类

8.交叉验证

9.数据可视化

第十课:决策树和随机森林

1.熵、联合熵、条件熵、KL散度、互信息

2.最大似然估计与最大熵模型

3.ID3、C4.5、CART详解

4.决策树的正则化

5.预剪枝和后剪枝

6.Bagging

7.随机森林

8.不平衡数据集的处理

9.利用随机森林做特征选择

10.使用随机森林计算样本相似度

11.数据异常值检测

第十一课:随机森林实践

1.随机森林与特征选择

2.决策树应用于回归

3.多标记的决策树回归

4.决策树和随机森林的可视化

5.葡萄酒数据集的决策树/随机森林分类

6.波士顿房价预测

第十二课:提升

1.提升为什么有效

2.梯度提升决策树GBDT

3.XGBoost算法详解

4.Adaboost算法

5.加法模型与指数损失

第十三课:提升实践

1.Adaboost用于蘑菇数据分类

2.Adaboost与随机森林的比较

3.XGBoost库介绍

4.Taylor展式与学习算法

5.KAGGLE简介

6.泰坦尼克乘客存活率估计

第十四课:SVM

1.线性可分支持向量机

2.软间隔的改进

3.损失函数的理解

4.核函数的原理和选择

5.SMO算法

6.支持向量回归SVR

第十五课:SVM实践

1.libSVM代码库介绍

2.原始数据和特征提取

3.葡萄酒数据分类

4.数字图像的手写体识别

5.SVR用于时间序列曲线预测

6.SVM、Logistic回归、随机森林三者的横向比较

第十六课:聚类(上)

1.各种相似度度量及其相互关系

2.Jaccard相似度和准确率、召回率

3.Pearson相关系数与余弦相似度

4.K-means与K-Medoids及变种

5.AP算法(Sci07)/LPA算法及其应用

第十七课:聚类(下)

1.密度聚类DBSCAN/DensityPeak(Sci14)

2.DensityPeak(Sci14)

3.谱聚类SC

4.聚类评价AMI/ARI/Silhouette

5.LPA算法及其应用

第十八课:聚类实践

1.K-Means++算法原理和实现

2.向量量化VQ及图像近似

3.并查集的实践应用

4.密度聚类的代码实现

5.谱聚类用于图片分割

第十九课:EM算法

1.最大似然估计

2.Jensen不等式

3.朴素理解EM算法

4.精确推导EM算法

5.EM算法的深入理解

6.混合高斯分布

7.主题模型pLSA

第二十课:EM算法实践

1.多元高斯分布的EM实现

2.分类结果的数据可视化

3.EM与聚类的比较

4.Dirichlet过程EM

5.三维及等高线等图件的绘制

6.主题模型pLSA与EM算法

第二十一课:主题模型LDA

1.贝叶斯学派的模型认识

2.Beta分布与二项分布

3.共轭先验分布

4.Dirichlet分布

5.Laplace平滑

6.Gibbs采样详解

第二十二课:LDA实践

1.网络爬虫的原理和代码实现

2.停止词和高频词

3.动手自己实现LDA

4.LDA开源包的使用和过程分析

5.Metropolis-Hastings算法

6.MCMC

7.LDA与word2vec的比较

8.TextRank算法与实践

第二十三课:隐马尔科夫模型HMM

1.概率计算问题

2.前向/后向算法

3.HMM的参数学习

4.Baum-Welch算法详解

5.Viterbi算法详解

6.隐马尔科夫模型的应用优劣比较

第二十四课:HMM实践

1.动手自己实现HMM用于中文分词

2.多个语言分词开源包的使用和过程分析

3.文件数据格式UFT-8、Unicode

4.停止词和标点符号对分词的影响

5.前向后向算法计算概率溢出的解决方案

6.发现新词和分词效果分析

7.高斯混合模型HMM

8.GMM-HMM用于股票数据特征提取

(点击左下角阅读原文了解更多)

参团!咨询!查看课程!

就点这里!

预览时标签不可点收录于合集#个上一篇下一篇
转载请注明:
http://www.3g-city.net/gjycs/826.html
  • 上一篇文章:

  • 下一篇文章:
    • 没有热点文章
    • 没有推荐文章
    网站首页 版权信息 发布优势 合作伙伴 隐私保护 服务条款 网站地图 网站简介

    温馨提示:本站信息不能作为诊断和医疗依据
    版权所有2014-2024 冀ICP备19027023号-6
    今天是: