百度云下载2023年《机器学习》升级版IV，从理论到实践

人工智能视频课程百度网盘

2017年《机器学习》升级版IV，从理论到实践
2017年3月14日开课6月份结束 价值899 资料齐全-

课程名称：
《机器学习》升级版 IV
主讲老师：
邹博 独家签约
计算机博士，现科学院从事科研教学工作；主持国家级科研项目2个，副负责1个，国家专利2项，研究方向机器学习、数据挖掘、计算几何，应用于股票交易与预测、医药图像识别、智能畜牧等方向。擅长机器学习模型选择、核心算法分析和代码实现。
课程目标：
本课程特点是从数学层面推导最经典的机器学习算法，以及每种算法的示例和代码实现（Python）、如何做算法的参数调试、以实际应用案例分析各种算法的选择等。
开课时间：
2017年3月14日，共24次课，每次2小时
学习方式：
在线直播，共24次
每周3次（周二、四、六，晚上20:00-22:00）
直播后提供录制回放视频，在线反复观看，有效期1年
升级版IV的内容特色：
1.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。
2.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。
3.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。
4.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”。
5.删去过于晦涩的公式推导，代之以直观解释，增强感性理解。
6.重视项目实践(如工业实践、Kaggle等)，重视落地。
7.对比不同的特征选择带来的预测效果差异。
8.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。
10.每个算法模块按照“原理讲解->自己动手实现->使用已有机器学习库”的顺序，切实做到“顶天立地”。
课程大纲：
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
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
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
7.梯度下降算法：BGD与SGD
8.特征选择与过拟合
9.Softmax回归的概念源头
10.最大熵模型
11.K-L散度
第八课：回归实践