《机器学习》升级版IV,从理论到实践,邹博主讲 已关闭

《机器学习》升级版IV,从理论到实践,邹博主讲 扫二维码继续学习 二维码时效为半小时

(0评价)
价格: 899.00元

 

 

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

      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 

 

联系方式:

 

参团后,请加客服微信:13011218970

手机:13011218970

邮件:admin@chinahadoop.cn

网站:http://www.chinahadoop.cn