随报随学 | 共9课 | ★★★ |
开课时间 | 课程周期 | 难易度 |
第1课 机器学习基础,有监督学习,无监督学习,半监督学习。机器学习与深度学习,人工智能的关系。部署python机器学习环境,matplotlib、Numpy、Scipy、libsvm、opencv、pandas、Anaconda、scikit-learn、theano、Keras、Tensorflow。机器学习基础算法在python下实现。Python与R,Julia等对比。
第2课 从贝叶斯网到概率图模型,贝叶斯统计学,贝叶斯思维,一切皆有贝叶斯。生成式模型与判别式模型。先验知识,贝叶斯统计在小数据学习中的应用。pyMC部署。手机短信发送行为分析案例。
第3课 吉布斯抽样,在贝叶斯统计中采用MCMC。网站转化率A/B测试案例。用贝叶斯回归进行金融预测的案例。
第4课 决策树,信息熵与相对熵,ID3,C4.5,CART等算法,剪枝过程。用scikit-learn实现决策树。
第5课 回归树。adaboost算法。提升树,分类提升树,回归提升树。梯度提升。用决策树构建随机森林。深度森林,及其与深度神经网络的对比?深度森林是否可以取代深度学习?
第6课 XGboost,原理及实现。计算学习理论,机器学习是骗局吗?VC维与样本复杂度。超参数如何选择?缺失数据处理方法。类不平衡的处理。特征工程。与上述问题有关的scikit-learn函数。
第7课 在海量短信中定位垃圾短信,半监督学习及其困难之处。聚类假设与流形假设。从k-means衍生的半监督学习算法。协同训练及其Python实现。co-forest算法,并应用于医学图像分析,半监督SVM及python实现。
第8课 基于EM算法的半监督学习生成式方法。基于图的方法,label propagation和label spreading的python实现,多种半监督学习方法效果比较。用label propagation进行手写体识别。
第9课 流形学习与降维,用scikit-learn实现流形学习
第10课 凸优化,梯度下降算法,永恒难题之局部极小值,SGD随机梯度下降算法,python中实现梯度下降算法及SGD。梯度下降算法应用于神经网络,BP学习算法,用theano实现BP神经网络,神经网络各种训练框架和工业级实现,用tensorflow实现更复杂的神经网络结构。梯度下降算法在推荐系统中的应用,构筑一个新闻推荐系统
1、 学习方式:老师发布教学资料、教材,幻灯片和视频,学员通过网络下载学习。同时通过论坛互动中老师对学员进行指导及学员之间相互交流。
2、 学习作业:每课均有布置课后作业,学员完成书面作业后则可进入下一课学习。
3、 老师辅导:通过论坛站内信及邮件等多种方式与老师进行一对一互动。
4、 完成课程:最后一课作业交纳后,老师完成作业批改,即可完成课程并取回相应剩余的逆向学费。
GMT+8, 2024-10-4 17:30 , Processed in 0.082936 second(s), 31 queries .