Python机器学习(第七期) Python机器学习(第七期)
所属分类:人工智能
  课程名 : Python机器学习(第七期)【开课中】 总学费/人 : ¥400 (固定学费:¥100, 逆向学费:¥300) 开课时间 : 2018-06-20 09:00:00 
开课老师 : tigerfish

本门课程福利对象报名前50名,福利内容: 赠送适用于课程《机器学习》的"【快班】免交固定学费卡"1张, 目前已报名23人, 目前名额仅剩27人, 请有意向的同学们抓紧时间,从速报名!



课程简介:
本课程是炼数成金《机器学习》(http://f.dataguru.cn/thread-229688-1-1.html)课程的姐妹篇,学习本课程前最好先学过(或同时进修)《机器学习》,两门课程兼修可以起到更好的效果。参加本课程的初学者,建议同时参加《机器学习》快班什么是快班?点击了解),对本课程报名前100人我们提供《机器学习》快班免固定费(价值300,用户只需支付100可退还逆向费用即可参加学习)优惠。

相对于《机器学习》课程,本课程内容有以下特点:
1 对于《机器学习》中已经讲过的模型算法,我们会在更高的高度,更细的粒度,大纵深的予以扩充,例如决策树,本课程里会更详细地讲解剪枝过程,以及之前没有涉及的回归树。又例如贝叶斯分类,本课程里将扩展到贝叶斯学习的高度,很多模型其实都有其贝叶斯含义,我们可以从更高的视角去对贝叶斯思维进行俯瞰,同时推广至贝叶斯图以及一般的概率图模型。对于支持向量机,我们会讲更多的凸优化,对偶问题的背景,同时扩展到核方法。等等。
2 大幅度补充《机器学习》中没有涉及,但大家又非常感兴趣的内容,例如特征工程,半监督学习,被称为Kaggle神器的xgboost算法,流形学习等,这些都是大家梦寐以求的知识。
3 讲述机器学习的主流算法在python下的实现,学习者可以熟练的运用python下有关的资源包快速实现或书写部分代码,部署自己的模型,并且通过python代码实现的案例,了解这些模型的应用场景与调优方法。最近2年,python在机器学习领域得到长足发展,简便轻量,设计合理的语言特性使其成为人工智能的首选语言,在算法模型封装积累上,也有了长足进步,呈现出爆炸式增长之势,学习好这门手艺,对于实现个人价值大有裨益

本课程的受众主要是没有经过专业训练的IT专业人员,他们可能是程序员,运维,IT系统架构师等等,也适合没有经过科班训练的数据分析师。数据分析是一个业务+算法+IT的交叉领域,同时熟悉这三方面知识的人,可以玩转大数据,产生无穷无尽的花样,产生巨大的价值。但很无奈的情况是这种人才太少,IT人员即使熟悉本公司的业务,但同时又熟悉算法的人极少。一般只能做一些简单的维度统计,指标计算等等,如果说到开发更高智能的系统,知识上鞭长莫及。本课程的目标,正是要打破知识的鸿沟,向IT人员普及算法知识,并把这些知识用于实际项目,把中国的机器学习应用能力提高一个台阶。

课程内容:
第1课 机器学习基础,有监督学习,无监督学习,半监督学习。机器学习与深度学习,人工智能的关系。部署python机器学习环境,matplotlib、Numpy、Scipy、libsvm、opencv、pandas、Anaconda、scikit-learn、theano、Keras、Tensorflow。机器学习基础算法在python下实现。Python与R,Julia等对比。
第2课 从贝叶斯网到概率图模型,贝叶斯统计学,贝叶斯思维,一切皆有贝叶斯。生成式模型与判别式模型。先验知识,贝叶斯统计在小数据学习中的应用。pyMC部署。手机短信发送行为分析案例。
第3课 吉布斯抽样,在贝叶斯统计中采用MCMC。网站转化率A/B测试案例。用贝叶斯回归进行金融预测的案例。
第4课 决策树,信息熵与相对熵,ID3,C4.5,CART等算法,剪枝过程。用scikit-learn实现决策树。
第5课 回归树。adaboost算法。提升树,分类提升树,回归提升树。梯度提升。用决策树构建随机森林。深度森林,及其与深度神经网络的对比?深度森林是否可以取代深度学习?
第6课 XGboost,原理及实现。计算学习理论,机器学习是骗局吗?VC维与样本复杂度。超参数如何选择?缺失数据处理方法。类不平衡的处理。特征工程。与上述问题有关的scikit-learn函数。
第7课 在海量短信中定位垃圾短信,半监督学习及其困难之处。聚类假设与流形假设。从k-means衍生的半监督学习算法。协同训练及其Python实现。co-forest算法,并应用于医学图像分析,半监督SVM及python实现。
第8课 基于EM算法的半监督学习生成式方法。基于图的方法,label propagation和label spreading的python实现,多种半监督学习方法效果比较。用label propagation进行手写体识别。
第9课 流形学习与降维,用scikit-learn实现流形学习
第10课 凸优化,梯度下降算法,永恒难题之局部极小值,SGD随机梯度下降算法,python中实现梯度下降算法及SGD。梯度下降算法应用于神经网络,BP学习算法,用theano实现BP神经网络,神经网络各种训练框架和工业级实现,用tensorflow实现更复杂的神经网络结构。梯度下降算法在推荐系统中的应用,构筑一个新闻推荐系统
第11课 凸优化与支持向量机,核方法,支持向量回归,核岭回归,应用支持向量机作人脸识别。在python中利用libsvm实现支持向量机,python中实现核有关算法


 

GMT+8, 2018-10-20 00:04 , Processed in 0.091711 second(s), 29 queries .