【課程】機器學習最強升級，演算法經典，實戰為王！

今天給大家推薦的課程：來自小象學院的《機器學習（升級版IV）》，參團人數300人以上：￥399。

原價 ¥899.00

100人以上 ¥ 599.00

200人以上 ¥ 499.00

300人以上 ¥ 399.00

現已達最低價

文末加客服微信參團

課程目標：本課程特點是從數學層面推導最經典的機器學習演算法，以及每種演算法的示例和代碼實現（Python）、如何做演算法的參數調試、以實際應用案例分析各種演算法的選擇等。

主講老師： 鄒博 小象學院獨家簽約

計算機博士，現科學院從事科研教學工作；主持國家級科研項目2個，副負責1個，國家專利2項，研究方向機器學習、數據挖掘、計算幾何，應用於股票交易與預測、醫藥圖像識別、智能畜牧等方向。擅長機器學習模型選擇、核心演算法分析和代碼實現。

開課時間：2017年3月14日

學習方式：

在線直播，共24次

每周3次（周二、四、六晚上20:00-22:00）

直播后提供錄製回放視頻，在線反覆觀看，有效期1年

升級版IV的內容變化：

1. 拒絕簡單的「調包」——增加3次「機器學習的角度看數學」和3次「Python數據清洗和特徵提取」，提升學習深度、降低學習坡度。

2. 增加網路爬蟲的原理和編寫，從獲取數據開始，重視將實踐問題轉換成實際模型的能力，分享工作中的實際案例或Kaggle案例：廣告銷量分析、環境數據異常檢測和分析、數字圖像手寫體識別、Titanic乘客存活率預測、用戶-電影推薦、真實新聞組數據主題分析、中文分詞、股票數據特徵分析等。

3. 強化矩陣運算、概率論、數理統計的知識運用，掌握機器學習根本。

4. 闡述機器學習原理，提供配套源碼和數據；確保「懂推導，會實現」。

5. 刪去過於晦澀的公式推導，代之以直觀解釋，增強感性理解。

6. 重視項目實踐(如工業實踐、Kaggle等)，重視落地。

7. 對比不同的特徵選擇帶來的預測效果差異。

8. 思考不同演算法之間的區別和聯繫，提高在實際工作中選擇演算法的能力。

9. 涉及和講解的部分Python庫有：Numpy/Scipy/matplotlib/Pandas/scikit-learn/XGBoost/libSVM/LDA/Gensim/NLTK/HMMLearn，涉及的其他「小」庫在課程的實踐環節會逐一講解。

10. 每個演算法模塊按照「原理講解->自己動手實現->使用已有機器學習庫」的順序，切實做到「頂天立地」。

課程大綱

1、機器學習的數學基礎1 - 數學分析

機器學習的一般方法和橫向比較

數學是有用的：以SVD為例

機器學習的角度看數學

複習數學分析

直觀解釋常數e

導數/梯度

隨機梯度下降

Taylor展式的落地應用

gini係數

凸函數

Jensen不等式

組合數與信息熵的關係

2、機器學習的數學基礎2 - 概率論與貝葉斯先驗

概率論基礎

古典概型

貝葉斯公式

先驗分佈/后驗分佈/共軛分佈

常見概率分佈

泊松分佈和指數分佈的物理意義

協方差(矩陣)和相關係數

獨立和不相關

大數定律和中心極限定理的實踐意義

深刻理解最大似然估計MLE和最大后驗估計MAP

過擬合的數學原理與解決方案

3、機器學習的數學基礎3 - 矩陣和線性代數

線性代數在數學科學中的地位

馬可夫模型

矩陣乘法的直觀表達

狀態轉移矩陣

矩陣和向量組

特徵向量的思考和實踐計算

QR分解

對稱陣、正交陣、正定陣

數據白化及其應用

向量對向量求導

標量對向量求導

標量對矩陣求導

3、機器學習的數學基礎3 - 數理統計與參數估計

統計量

期望/方差/偏度/峰度

中心矩/原點矩

矩估計

深刻理解最大似然估計

過擬合的數學原理與解決方案

最大后驗估計MAP

偏差方差二難

4、Python基礎1 - Python及其數學庫

解釋器Python2.7與IDE：Anaconda/Pycharm

Python基礎：列表/元組/字典/類/文件

Taylor展式的代碼實現

numpy/scipy/matplotlib/panda的介紹和典型使用

多元高斯分佈

泊松分佈、冪律分佈

典型圖像處理

5、Python基礎2 - 機器學習庫

scikit-learn的介紹和典型使用

損失函數的繪製

多種數學曲線

多項式擬合

快速傅里葉變換FFT

奇異值分解SVD

Soble/Prewitt/Laplacian運算元與卷積網路

卷積與(指數)移動平均線

股票數據分析

6、Python基礎3 - 數據清洗和特徵選擇

實際生產問題中演算法和特徵的關係

股票數據的特徵提取和應用

一致性檢驗

缺失數據的處理

環境數據異常檢測和分析

模糊數據查詢和數據校正方法、演算法、應用

7、回歸

線性回歸

Logistic/Softmax回歸

廣義線性回歸

L1/L2正則化

Ridge與LASSO

Elastic Net

梯度下降演算法：BGD與SGD

特徵選擇與過擬合

Softmax回歸的概念源頭

最大熵模型

K-L散度

8、回歸實踐

機器學習sklearn庫介紹

回歸代碼實現和調參

Ridge回歸/LASSO/Elastic Net

Logistic/Softmax回歸

廣告投入與銷售額回歸分析

鳶尾花數據集的分類

回歸代碼實現和調參

交叉驗證

數據可視化

9、決策樹和隨機森林

熵、聯合熵、條件熵、KL散度、互信息

最大似然估計與最大熵模型

ID3、C4.5、CART詳解

決策樹的正則化

預剪枝和后剪枝

Bagging

隨機森林

不平衡數據集的處理

利用隨機森林做特徵選擇

使用隨機森林計算樣本相似度

10、隨機森林實踐

隨機森林與特徵選擇

決策樹應用於回歸

多標記的決策樹回歸

決策樹和隨機森林的可視化

葡萄酒數據集的決策樹/隨機森林分類

11、提升

提升為什麼有效

Adaboost演算法

加法模型與指數損失

梯度提升決策樹GBDT

XGBoost演算法詳解

12、XGBoost實踐

自己動手實現GBDT

XGBoost庫介紹

Taylor展式與學習演算法

KAGGLE簡介

泰坦尼克乘客存活率估計

13、SVM

線性可分支持向量機

軟間隔的改進

損失函數的理解

核函數的原理和選擇

SMO演算法

支持向量回歸SVR

14、SVM實踐

libSVM代碼庫介紹

原始數據和特徵提取

調用開源庫函數完成SVM

葡萄酒數據分類

數字圖像的手寫體識別

SVR用於時間序列曲線預測

SVM、Logistic回歸、隨機森林三者的橫向比較

15、聚類

各種相似度度量及其相互關係

Jaccard相似度和準確率、召回率

Pearson相關係數與餘弦相似度

K-means與K-Medoids及變種

AP演算法(Sci07)/LPA演算法及其應用

密度聚類DBSCAN/DensityPeak(Sci14)

譜聚類SC

聚類評價和結果指標

16、聚類實踐

K-Means++演算法原理和實現

向量量化VQ及圖像近似

並查集的實踐應用

密度聚類的代碼實現

譜聚類用於圖片分割

17、EM演算法

最大似然估計

Jensen不等式

樸素理解EM演算法

精確推導EM演算法

EM演算法的深入理解

混合高斯分佈

主題模型pLSA

18、EM演算法實踐

多元高斯分佈的EM實現

分類結果的數據可視化

EM與聚類的比較

Dirichlet過程EM

三維及等高線等圖件的繪製

主題模型pLSA與EM演算法

19、貝葉斯網路

樸素貝葉斯

貝葉斯網路的表達

條件概率表參數個數分析

馬可夫模型

D-separation

條件獨立的三種類型

Markov Blanket

混合(離散+連續)網路：線性高斯模型

Chow-Liu演算法：最大權生成樹MSWT

20、樸素貝葉斯實踐

GaussianNB

MultinomialNB

BernoulliNB

樸素貝葉斯用於鳶尾花數據

樸素貝葉斯用於18000+篇新聞文本的分類

21、主題模型LDA

貝葉斯學派的模型認識

共軛先驗分佈

Dirichlet分佈

Laplace平滑

Gibbs採樣詳解

22、LDA實踐

網路爬蟲的原理和代碼實現

停止詞和高頻詞

動手自己實現LDA

LDA開源包的使用和過程分析

Metropolis-Hastings演算法

MCMC

LDA與word2vec的比較

23、隱馬可夫模型HMM

前向/後向演算法

HMM的參數學習

Baum-Welch演算法詳解

Viterbi演算法詳解

隱馬可夫模型的應用優劣比較

24、HMM實踐