Zi 字媒體

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 ¥899.00100人以上 ¥ 599.00200人以上 ¥ 499.00300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/PycharmPython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SVDSoble/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LASSOElastic 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 NetLogistic/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GBDTXGBoost演算法詳解 12、XGBoost實踐自己動手實現GBDTXGBoost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 GaussianNBMultinomialNBBernoulliNB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LDALDA開源包的使用和過程分析Metropolis-Hastings演算法MCMCLDA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