价值899元】最新小象学院第七期升级版机器学习课程视频教程下载。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。

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
8. 蝴蝶效应
9. 分形与可视化

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. Adaboost算法
5. 加法模型与指数损失

第十三课:提升实践
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
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. 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)
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LDA
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
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
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

MP4,视频不加密,网盘在线学习,课程免费更新,持续更新

点击下载按钮,会跳转到百度网盘,接链如失效移步网站底部联系客服

资源属于虚拟商品,具有可复制性,可传播性,一旦授予,不接受任何形式的退款、换货要求。