【V7763】2017年最新从理论到实践机器学习视频教程(精制)

视频教程大纲

2017年最新从理论到实践机器学习视频教程
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: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
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5
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2
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
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
1.  机器学习sklearn库介绍-
2.  回归代码实现和调参9
3.  Ridge回归/LASSO/Elastic Net
4.  Logistic/Softmax回归
5.  广告投入与销售额回归分析;
6.  鸢尾花数据集的分类
7.  回归代码实现和调参
8.  交叉验证
9.  数据可视化  _
第九课: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7
第十课: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#
第十一课:提升
1.  提升为什么有效
2.  Adaboost算法
3.  加法模型与指数损失
4.  梯度提升决策树GBDT5
5.  XGBoost算法详解, ^
第十二课:XGBoost实践
. }! G0 A3 l8 u
1.  自己动手实现GBDT
2.  XGBoost库介绍
3.  Taylor展式与学习算法
4.  KAGGLE简介5
5.  泰坦尼克乘客存活率估计
第十三课: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
第十四课: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-
第十五课:聚类
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
6.  密度聚类DBSCAN/DensityPeak(Sci14)#
7.  谱聚类SC
8.  聚类评价和结果指标
第十六课: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2
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
第十七课: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
第十八课: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2
4.  Dirichlet过程EM,
5.  三维及等高线等图件的绘制4
6.  主题模型pLSA与EM算法
第十九课:贝叶斯网络
1.  朴素贝叶斯
2.  贝叶斯网络的表达
3.  条件概率表参数个数分析"
4.  马尔科夫模型
5.  D-separation"
6.  条件独立的三种类型
7.  Markov Blanket
8.  混合(离散+连续)网络:线性高斯模型
9.  Chow-Liu算法:最大权生成树MSWT
第二十课:朴素贝叶斯实践
1.  GaussianNB
2.  MultinomialNB9
3.  BernoulliNB
4.  朴素贝叶斯用于鸢尾花数据
5.  朴素贝叶斯用于18000+篇新闻文本的分类
第二十一课:主题模型LDA
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:LDA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
第二十三课:隐马尔科夫模型HMM
1.  概率计算问题7
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2
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

解压密码

您暂时无权查看此隐藏内容!

百度网盘下载地址

资源下载价格9.8立即支付    升级VIP后免费升级VIP
立即支付后显示网盘资源,教程不能播放无条件退款,退款请联系右边在线客服。 终生VIP活动价68元,平台稳定运营2年+,其他平台有的这都有,还是全网最低价。
1、网军编程学院为非营利性网站,全站所有资料仅供网友个人学习使用,禁止商用。
2、本站所有文档、视频、书籍等资料均由网友分享,本站只负责收集不承担任何技术及版权问题。
3、如本帖侵犯到任何版权问题,请立即告知本站,本站将及时予与删除下载链接并致以最深的歉意。
4、本帖部分内容转载自其它媒体,但并不代表本站赞同其观点和对其真实性负责。
5、一经注册为本站会员,一律视为同意网站规定,本站管理员及版主有权禁止违规用户。
6、其他单位或个人使用、转载或引用本文时必须同时征得该帖子作者和网军编程学院的同意。
7、网军编程学院管理员和版主有权不事先通知发贴者而删除本文。

发表评论

发表评论

电子邮件地址不会被公开。