小象学院机器学习视频教程 第七期升级版

价值899元】最新小象学院第七期升级版机器学习课程视频教程下载。

本课程特点是从数学层面推导最经典的机器学习算法

小象学院机器学习视频教程插图

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。

小象学院机器学习视频教程大纲:
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
8.蝴蝶效应
9.分形与可视化

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
7.朴素贝叶斯用于鸢尾花数据
8.GaussianNB/MultinomialNB/BernoulliNB
9.朴素贝叶斯用于18000+篇/Sogou新闻文本的分类

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.ElasticNet
7.梯度下降算法:BGD与SGD
8.特征选择与过拟合

第八课:Logistic回归
1.Sigmoid函数的直观解释
2.Softmax回归的概念源头
3.Logistic/Softmax回归
4.最大熵模型
5.K-L散度
6.损失函数
7.Softmax回归的实现与调参

第九课:回归实践
1.机器学习sklearn库介绍
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/ElasticNet
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.交叉验证
9.数据可视化

第十课: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
11.数据异常值检测

第十一课: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
6.波士顿房价预测

第十二课:提升
1.提升为什么有效
2.梯度提升决策树GBDT
3.XGBoost算法详解
4.Adaboost算法
5.加法模型与指数损失

第十三课:提升实践
1.Adaboost用于蘑菇数据分类
2.Adaboost与随机森林的比较
3.XGBoost库介绍
4.Taylor展式与学习算法
5.KAGGLE简介
6.泰坦尼克乘客存活率估计

第十四课: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

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

第十六课:聚类(上)
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

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算法及其应用

第十八课: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

第十九课: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

第二十课: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

第二十一课:主题模型LDA
1.贝叶斯学派的模型认识
2.Beta分布与二项分布
3.共轭先验分布
4.Dirichlet分布
5.Laplace平滑
6.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
8.TextRank算法与实践

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

小象学院机器学习视频教程 第七期升级版

发表评论

您的电子邮箱地址不会被公开。

本站所有资源版权均属于原作者所有,这里所提供资源均只能用于参考学习用,请勿直接商用。若由于商用引起版权纠纷,一切责任均由使用者承担。更多说明请参考 VIP介绍。

最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。 若排除这种情况,可在对应资源底部留言,或联络我们。

对于会员专享、整站源码、程序插件、网站模板、网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。

如果您已经成功付款但是网站没有弹出成功提示,请联系站长提供付款信息为您处理

源码素材属于虚拟商品,具有可复制性,可传播性,一旦授予,不接受任何形式的退款、换货要求。请您在购买获取之前确认好 是您所需要的资源