人工智能视频课程百度网盘
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、Pans、scikit-learn、XGBoost、libSVM、L、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:Anacon/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/pan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.
Aboost算法
5.
加法模型与指数损失
第十三课:提升实践
1.
Aboost用于蘑菇数据分类
2. Aboost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L
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:L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L
4.
L开源包的使用和过程分析
5.
Metropolis-Hastings算法
6.
MCMC
7.
L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
本文来自投稿,不代表亲测学习网立场,如若转载,请注明出处:https://www.qince.net/2022%e4%ba%ba%e5%b7%a5%e6%99%ba%e8%83%bd-xx%e5%ad%a6%e9%99%a2-%e6%9c%ba%e5%99%a8%e5%ad%a6%e4%b9%a0%e5%8d%87%e7%ba%a7%e7%89%88v-%e7%ac%ac%e4%ba%94%e6%9c%9f%e7%99%be%e5%ba%a6%e7%bd%91%e7%9b%98%e9%93%be.html
郑重声明:
本站所有内容均由互联网收集整理、网友上传,并且以计算机技术研究交流为目的,仅供大家参考、学习,不存在任何商业目的与商业用途。 若您需要商业运营或用于其他商业活动,请您购买正版授权并合法使用。
我们不承担任何技术及版权问题,且不对任何资源负法律责任。
如遇到资源无法下载,请点击这里失效报错。失效报错提交后记得查看你的留言信息,24小时之内反馈信息。
如有侵犯您的版权,请给我们私信,我们会尽快处理,并诚恳的向你道歉!