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
**** Hidden Message *****
页:
[1]