查看: 317|回复: 0
打印 上一主题 下一主题

《机器学习》升级版IV,从理论到实践2017年6月价值899,IT资源网

[复制链接]

9万

主题

9万

帖子

28万

积分

管理员

管理员

Rank: 9Rank: 9Rank: 9

积分
288747
跳转到指定楼层
楼主
发表于 2022-5-29 12:42:10 | 只看该作者 回帖奖励 |倒序浏览 |阅读模式
下载地址:
加入VIP超值  
游客,如果您要查看本帖隐藏内容请回复

2017年3月14日开课6月份结束 价值899 资料齐全-小象开课时间:
2017年3月14日,共24次课,每次2小时
升级版IV的内容特色:
  
      1.  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。
       2.  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。
      3.  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。
       4.  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”。
      5.  删去过于晦涩的公式推导,代之以直观解释,增强感性理解。
       6.  重视项目实践(如工业实践、Kaggle等),重视落地。
       7.  对比不同的特征选择带来的预测效果差异。
       8.  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。
      10.  每个算法模块按照“原理讲解->自己动手实现->使用已有机器学习库”的顺序,切实做到“顶天立地”。

  
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
  
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

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.  特征选择与过拟合
      9.  Softmax回归的概念源头
       10.最大熵模型
       11.K-L散度
第八课:回归实践
       1.  机器学习sklearn库介绍
      2.  回归代码实现和调参
      3.  Ridge回归/LASSO/Elastic Net
       4.  Logistic/Softmax回归
      5.  广告投入与销售额回归分析
      6.  鸢尾花数据集的分类
       7.  回归代码实现和调参
      8.  交叉验证
       9.  数据可视化

第九课: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
第十课: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
第十一课:提升

       1.  提升为什么有效
      2.  Adaboost算法
       3.  加法模型与指数损失
       4.  梯度提升决策树GBDT
       5.  XGBoost算法详解

第十二课:XGBoost实践
       1.  自己动手实现GBDT
       2.  XGBoost库介绍
       3.  Taylor展式与学习算法
       4.  KAGGLE简介
      5.  泰坦尼克乘客存活率估计

第十三课: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
第十四课:SVM实践

      1.  libSVM代码库介绍
       2.  原始数据和特征提取
       3.  调用开源库函数完成SVM
      4.  葡萄酒数据分类
       5.  数字图像的手写体识别
      6.  SVR用于时间序列曲线预测
       7.  SVM、Logistic回归、随机森林三者的横向比较
第十五课:聚类

      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
      6.  密度聚类DBSCAN/DensityPeak(Sci14)
      7.  谱聚类SC
      8.  聚类评价和结果指标
  
第十六课: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
第十七课: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
  
第十八课: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
  
第十九课:贝叶斯网络

       1.  朴素贝叶斯
       2.  贝叶斯网络的表达
      3.  条件概率表参数个数分析
       4.  马尔科夫模型
      5.  D-separation
       6.  条件独立的三种类型
       7.  Markov Blanket
       8.  混合(离散+连续)网络:线性高斯模型
      9.  Chow-Liu算法:最大权生成树MSWT

第二十课:朴素贝叶斯实践

      1.  GaussianNB
       2.  MultinomialNB
      3.  BernoulliNB
      4.  朴素贝叶斯用于鸢尾花数据
      5.  朴素贝叶斯用于18000+篇新闻文本的分类
第二十一课:主题模型LDA

      1.  贝叶斯学派的模型认识
       2.  共轭先验分布
      3.  Dirichlet分布
      4.  Laplace平滑
       5.  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
  
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  
  
下载地址:
加入VIP超值  
游客,如果您要查看本帖隐藏内容请回复
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

Archiver|手机版|IT视频教程资源网 网站地图

GMT+8, 2024-12-23 18:23 , Processed in 1.274497 second(s), 22 queries .

快速回复 返回顶部 返回列表

客服
热线

微信 webshop6
7*24小时微信 客服服务

扫码添
加微信

添加客服微信 webshop6 获取更多

关注
公众号

关注微信公众号 webjianzhan