16年11月份邹博机器学习升级版II附讲义、参考书与源码(数学 xgboost lda hmm svm)
16年11月份邹博机械进修升级版II附课本、参考书与源码(数学 xgboost lda hmm svm) 24课
课程先容
本课程特点是从数学层面推导最典范的机械进修算法，以及每种算法的示例和代码实现(Python)、若何做算法的参数调试、以现实利用案例分析各类算法的挑选等。
1.每个算法模块依照“道理讲授→分析数据→自己脱手实现→特征与调参”的顺序，“道理加理论，顶天登时”。
2.拒绝简单的“调包”——增加3次“机械进修的角度看数学”和3次“Python数据清洗和特征提取”，提升进修深度、下降进修坡度。
3.增加收集爬虫的道理和编写，从获得数据起头，重视将理论题目转换成现实模子的才能，分享工作中的现实案例或Kaggle案例：广告销量分析、情况数据异常检测和分析、数字图像手写体识别、Titanic乘客存活率猜测、用户-电影保举、实在消息组数据主题分析、中文分词、股票数据特征分析等。
4.强化矩阵运算、几率论、数理统计的常识应用，把握机械进修底子。
5.论述机械进修道理，供给配套源码和数据;确保“懂推导，会实现”。
6.删去过于艰涩的公式推导，代之以直观诠释，增强感性了解。
7.对照分歧的特征挑选带来的猜测结果差别。
8.重视项目理论(如产业理论、Kaggle等)，重视落地。思考分歧算法之间的区分和联系，进步在现实工作当挑选算法的才能。
9.触及和讲授的部分Python库有：Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn，触及的其他“小”库在课程的理论环节会逐一讲授。
课程目录
第一课：机械进修的数学根本1 - 数学分析
1. 机械进修的一般方式和横向比力
2. 数学是有用的：以SVD为例
3. 机械进修的角度看数学
4. 温习数学分析
5. 直观诠释常数e
6. 导数/梯度
7. 随机梯度下降
8. Taylor展式的落天时用
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：机械进修的数学根本2 - 几率论与贝叶斯先验
1. 几率论根本
2. 古典概型
3. 贝叶斯公式
4. 先验散布/后验散布/共轭散布
5. 常见几率散布
6. 泊松散布和指数散布的物理意义
7. 协方差(矩阵)和相关系数
8. 自力和不相关
9. 大数定律和中心极限制理的理论意义
10. 深入了解最大似然估量MLE和最大后验估量MAP
11. 过拟合的数学道理与处理计划
第三课：机械进修的数学根本3 - 矩阵和线性代数
1. 线性代数在数学科学中的职位
2. 马尔科夫模子
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. 特征向量的思考和理论计较
7. QR分化
8. 对称阵、正交阵、正定阵
9. 数据白化及其利用
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根本1 - Python及其数学库
1. 诠释器Python2.7与IDE：Anaconda/Pycharm
2. Python根本：列表/元组/字典/类/文件
3. Taylor展式的代码实现
4. numpy/scipy/matplotlib/panda的先容和典型利用
5. 多元高斯散布
6. 泊松散布、幂律散布
7. 典型图像处置
8. 蝴蝶效应
9. 分形
第五课：Python根本2 - 机械进修库
1. scikit-learn的先容和典型利用
2. 损失函数的绘制
3. 多种数学曲线
4. 多项式拟合
5. 快速傅里叶变更FFT
6. 奇异值分化SVD
7. Soble/Prewitt/Laplacian算子与卷积收集
8. 卷积与(指数)移动均匀线
9. 股票数据分析
第六课：Python根本3 - 数据清洗和特征挑选
1. 现实生产题目中算法和特征的关系
2. 股票数据的特征提取和利用
3. 分歧性检验
4. 缺失数据的处置
5. 情况数据异常检测和分析
6. 模糊数据查询和数据校正方式、算法、利用
7. 朴实贝叶斯用于鸢尾花数据
8. GaussianNB/MultinomialNB/BernoulliNB
9. 朴实贝叶斯用于18000+篇/Sogou消息文本的分类
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. Elastic Net
7. 梯度下降算法：BGD与SGD
8. 特征挑选与过拟合
第八课：Logistic回归
1. Sigmoid函数的直观诠释
2. Softmax回归的概念泉源
3. Logistic/Softmax回归
4. 最大熵模子
5. K-L散度
6. 损失函数
7. Softmax回归的实现与调参
第九课：回归理论
1. 机械进修sklearn库先容
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/Elastic Net
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. 穿插考证
9. 数据可视化
第十课：决议树和随机森林
1. 熵、结合熵、条件熵、KL散度、互信息
2. 最大似然估量与最大熵模子
3. ID3、C4.5、CART详解
4. 决议树的正则化
5. 预剪枝和后剪枝
6. Bagging
7. 随机森林
8. 不服衡数据集的处置
9. 操纵随机森林做特征挑选
10. 利用随机森林计较样底细似度
11. 数据异常值检测
第十一课：随机森林理论
1. 随机森林与特征挑选
2. 决议树利用于回归
3. 多标志的决议树回归
4. 决议树和随机森林的可视化
5. 葡萄酒数据集的决议树/随机森林分类
6. 波士顿房价猜测
第十二课：提升
1. 提升为什么有用
2. 梯度提升决议树GBDT
3. XGBoost算法详解
4. Adaboost算法
5. 加法模子与指数损失
第十三课：提升理论
1. Adaboost用于蘑菇数据分类
2. Adaboost与随机森林的比力
3. XGBoost库先容
4. Taylor展式与进修算法
5. KAGGLE简介
6. 泰坦尼克乘客存活率估量
第十四课：SVM
1. 线性可分支持向量机
2. 软间隔的改良
3. 损失函数的了解
4. 核函数的道理和挑选
5. SMO算法
6. 支持向量回归SVR
第十五课：SVM理论
1. libSVM代码库先容
2. 原始数据和特征提取
3. 挪用开源库函数完成SVM
4. 葡萄酒数据分类
5. 数字图像的手写体识别
6. SVR用于时候序列曲线猜测
7. SVM、Logistic回归、随机森林三者的横向比力
第十六课：聚类(上)
1. 各类类似度怀抱及其相互关系
2. Jaccard类似度和正确率、召回率
3. Pearson相关系数与余弦类似度
4. K-means与K-Medoids及变种
5. AP算法(Sci07)/LPA算法及其利用
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算法及其利用
第十八课：聚类理论
1. K-Means++算法道理和实现
2. 向量量化VQ及图像近似
3. 并查集的理论利用
4. 密度聚类的代码实现
5. 谱聚类用于图片朋分
第十九课：EM算法
1. 最大似然估量
2. Jensen不等式
3. 朴实了解EM算法
4. 切确推导EM算法
5. EM算法的深入了解
6. 夹杂高斯散布
7. 主题模子pLSA
第二十课：EM算法理论
1. 多元高斯散布的EM实现
2. 分类成果的数据可视化
3. EM与聚类的比力
4. Dirichlet进程EM
5. 三维及等高线等图件的绘制
6. 主题模子pLSA与EM算法
第二十一课：主题模子LDA
1. 贝叶斯学派的模子熟悉
2. 共轭先验散布
3. Dirichlet散布
4. Laplace平滑
5. Gibbs采样详解
第二十二课：LDA理论
1. 收集爬虫的道理和代码实现
2. 停止词和高频词
3. 脱手自己实现LDA
4. LDA开源包的利用和进程分析
5. Metropolis-Hastings算法
6. MCMC
7. LDA与word2vec的比力
第二十三课：隐马尔科夫模子HMM
1. 几率计较题目
2. 前向/后向算法
3. HMM的参数进修
4. Baum-Welch算法详解
5. Viterbi算法详解
6. 隐马尔科夫模子的利用好坏比力
第二十四课：HMM理论
1. 脱手自己实现HMM用于中文分词
2. 多个说话分词开源包的利用和进程分析
3. 文件数据格式UFT-8、Unicode
4. 停止词和标点标记对分词的影响
5. 前向后向算法计较几率溢出的处理计划
6. 发现新词和分词结果分析
7. 高斯夹杂模子HMM
8. GMM-HMM用于股票数据特征提取
**** Hidden Message *****
页:
[1]