24堂直播,邹博主讲《机器学习》升级版

24堂直播,邹博主讲《机器学习》升级版

从基础到全能,机器学习精英计划|Python机器学习标杆实战课程!

799 7 人学习

课程名称:

24堂直播,邹博主讲《机器学习》升级版

【温馨提示:1. 你可以在PC端浏览器或者微信收藏该页面,以方便你快速找到这个课程;2. 课程相关资料可在课程PC端公告查看下载;3.加入课程后,点(课时)列表即可观看视频 】

 

课程特色:

本年度机器学习最佳进补攻略,24堂五星标杆级Python机器学习标杆实战直播课!
数学基础、Python基础、回归、随机森林、聚类、EM模型、LDA模型、HMM模型一网打尽!
品质内容,贴心服务,带着你的问题与小目标,直播课上我们一同解决!


项目实践与应用

1、SVD提取图像特征与推荐系统

2、Nagel-Schreckenberg交通流模型

3、真实肺癌数据建模与基因位点的重要度分析

4、蝴蝶效应中的Lorenz系统分析与梯度计算

5、环保设备数据异常值检测与校正

6、无线电场强衰减预测与模型分析

7、P2P小额贷款的逾期模型建立

8、北京市区域犯罪率分析

9、矢量量化算法与图像降维

10、文本挖掘与问答系统的建立

11、石油行业例检文本突出问题发现

12、文本重要度与摘要生成

13、CNN卷积网络的图片分类与菜肴识别

14、自定义深度模型用于文本挖掘

15、睿客识云



主讲老师:

邹博,睿客邦首席科学家、天津大学创业导师、中国医药教育协会老年健康分会学术委员,完成和在研20多个人工智能工业项目,广泛应用于医疗、交通、农业、气象、油田、银行等多个领域,研究方向机器学习、数据挖掘、计算几何,致力于人工智能新技术的实践和应用。著有《强化学习》(清华大学出版社,即将出版),译著有《Java自然语言处理》(机械工业出版社,2018年3月)《深度学习:基于Matlab的设计实例》(北航出版社,2018年3月)《机器学习:实用技术指南》(机械工业出版社,2018年5月)。


学习方式:

本系列课程采取在线直播方式,共24次课;

每周一、周三、周五晚上开课(20:00-22:00)

直播后提供录制回放视频,在线反复观看,有效期2年;

专属VIP会员学习交流群,随时沟通交流。

社区问答+在线答疑,巩固知识点。

开课时间:2018年7月30日


本课程为特邀讲师定制直播,需学员数达300人方能开课。

购买后 如未能达到开课人数,费用会退还购买账户,谢谢


课程大纲:

第一课:机器学习的数学基础1 - 数学分析 ---7月30日直播

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 ---8月1日直播

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 ---8月3日直播

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 ---8月6日直播

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 ---8月8日直播

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 ---8月10日直播

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 ---8月13日直播

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 ---8月15日直播

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 ---8月17日直播

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 ---8月20日直播

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 ---8月22日直播

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 ---8月24日直播

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 ---8月27日直播

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 ---8月29日直播

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 ---8月31日直播

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) ---9月3日直播

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) ---9月5日直播

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 ---9月7日直播

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 ---9月10日直播

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 ---9月12日直播

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 ---9月14日直播

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 ---9月16日直播

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 ---9月19日直播

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 ---9月21日直播

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


友情提示:  

1、PC端如果发现浏览器无法观看课程,建议使用谷歌浏览器观看;移动端建议直接微信打开课程页面。

2、如果购买后下次登录提示课程需要重新购买,一般是因为你把登录账户记成你绑定的手机或者邮箱帐号而混淆了。

3、【在微信购买课程的用户注意】请微信收藏课程页面或者关注微信公众号:天善智能(点“我的”即可查看你已购买的课程),已方便下次学习。

4、课程相关资料&QQ会员群可在课程PC端公告查看下载。

5、加入学习后请添加客服微信:tianshansoft08(请注明:课程名称),邀请你加入微信VIP群与老师&同学交流讨论。


1111.jpg


改版

反馈