李小萌资源网 人工智能 2018人工智能 XX学院 机器学习升级版V 第五期


2018人工智能 XX学院 机器学习升级版V 第五期

2019-08-22 1228
谭志斌
资源介绍

2018人工智能 XX学院 机器学习升级版V 第五期
升级版V的内容特色:
1.每个算法模块按照“原理讲解→分析数据→自己动手实现→特征与调参”的顺序,“原理加实践,顶天立地”。
2.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。
3.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。
4.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。
5.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”。
6.删去过于晦涩的公式推导,代之以直观解释,增强感性理解。
7.对比不同的特征选择带来的预测效果差异。
8.重视项目实践(如工业实践、Kaggle等),重视落地。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。
课程大纲:包括视频和课件。
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
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.  Elastic Net
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/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.  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.  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.  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





百度网盘可以用手机平板电脑在线播放,也可以下载之后播放

本帖资源评论
ABB 高级机器人视频教学
2017年最新python数据分析与机器学习实战基于Python3.5视频教程完整版附课件和代码
[机器学习/深度学习] Udacity深度学习4套精华课程合集 神经网络+卷积神经网络+循环神经网络+生成对抗网络
无人驾驶工程师
机器学习深度学习基础
掌握全智能业务链!JAVAEE企业级智能AI物流全栈项目课程 从客户到快递全流程实战
黑马Python6.0人工智能全套课程 2020年全新升级
斯坦福李飞飞图像机器学习课程
嵌入式开发 UBoot全面讲解系列课程(基于三星A8-s5pv210 )麦可网U-boot开发视频教程
深度学习实战项目-利用RNN与LSTM网络原理进行唐诗生成视频课程
2018机器学习40讲高清
自然语言处理NLP&机器学习导论(中科院宗成庆&哈工大关毅&上交大张志
深度学习算法风暴 - 邹博七月算法机器学习-深度学习等课程合集 深入研究机器学习课程
机器学习专家系列(全套)
人工智能机器学习全新升级版I
麦子学院深度学习全套教程
小象学院数学/概率/统计机器学习相关的数学基础视频课程
机器学习之深度学习课程+机器学习中需要的数学基础 两套课程带你深入机器学习世界
价值5000元-嵌入式教学实录+案例拆解+源代码
[机器学习/深度学习] Udacity深度学习4套精华课程合集 神经网络+卷积神经网络+循环神经网络+生成对抗网络
没有账号? 注册