2017年《机器学习》升级版IV，从理论到实践之资源教程下载

2017年《机器学习》升级版IV，从理论到实践

2017年3月14日开课6月份结束 价值899 资料齐全-

小象学院

课程名称：

《机器学习》升级版 IV

主讲老师：

邹博  小象学院独家签约

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。

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。

开课时间：

2017年3月14日，共24次课，每次2小时

学习方式：

在线直播，共24次

每周3次（周二、四、六，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

  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

资源下载

此资源下载价格为5学分，VIP免费，请先登录

充值比例 1元=1学分
资源失效，请咨询客服
客服QQ 980264305