机器学习365天特训营 - 第三期

 授课教师:云博士

 教师简介:美国哈佛大学大数据分析方向博士后,浙江大学计算机科学与技术专业博士,曾任华为高级软件工程师/项目经理。发明专利多项,软件著作权多项,国际重要期刊论文数十篇,国家及省部级项目多项,横向项目数十项。

 有效期:4年

2019年,美国哈佛大学博士后带您零基础入门机器学习。

从发展历程、概念、基本名词、术语、评估方法讲起,到算法模型与实战演练。

每周两次直播,365天117次理论+实战课程(讲师直播答疑,课程7*24小时问答服务,学院社群7*24小时交流,课程资料随时下载)让你的每一个问题都能够得到解答。

直播 + 回放:每周一19:00 - 20:00,20:00 - 21:00,随时随地随时回看。

从零开始学习,1年成为机器学习专家!

提供的服务:名师授课 + 随时随地课程问答服务 + 随时随地社群交流 + 课程资料下载。

现在报名送价值899元的机器学习之Python编程基础与数据分析和价值899元的人工智能数学基础2018暑期8天集训营,系统学习人工智能学习中所需要用到的数学知识、Python编程知识。知识一步到位,只为让你学会。
  • 选修

            1.1 课程简介与机器学习发展史   

  • 选修

            2.1 线性代数(一)   

            2.2 线性代数(二)   

            2.3 线性代数(三)   

            2.4 线性代数(四)   

            2.5 线性代数(五)   

            2.6 线性代数(六)   

            2.7 线性代数(七)   

  • 选修

            3.1 概率论(一)   

            3.2 概率论(二)   

            3.3 概率论(三)   

            3.4 概率论(四)   

            3.5 Python基础(一)   

            3.6 Python基础(二)   

            3.7 Python基础(三)   

            3.8 Python基础(四)   

            3.9 Python基础(五)   

  • 选修

            4.1 Visual Studio Code使用(一)   

  • 必修

            1.1 引言、基本术语、假设空间   

            1.2 归纳偏好、发展历程、应用现状   

  • 必修

            2.1 分类回归小例子   

            2.2 经验误差与过拟合   

            2.3 评估方法(留出法,交叉验证法,自助法)   

            2.4 性能度量(混淆矩阵 ,准确率,精确度,敏感度,特异度,F1 score)   

  • 必修

            3.1 线性回归(一)   

            3.2 线性回归(二)   

            3.3 线性回归(三)   

            3.4 线性回归(四)   

            3.5 逻辑回归(一)   

            3.6 逻辑回归(二)   

  • 必修

            4.1 划分选择与算法基本思想(一)   

            4.2 划分选择与算法基本思想(二)   

            4.3 代码分析与KNN   

            4.4 机器学习中距离和相似性度量方法概述   

  • 必修

            5.1 处理缺失数据,处理类别数据   

            5.2 数据标准化与归一化   

            5.3 特征选择   

            5.4 特征排序,plot_decision_regions函数讲解   

  • 必修

            6.1 使用支持向量机最大化分类间隔   

            6.2 SVM非线性分类   

  • 必修

            7.1 神经网络基础知识   

            7.2 神经网络(一)   

            7.3 神经网络(二)   

  • 必修

            8.1 卷积神经网络CNN基本原理   

            8.2 开源深度学习框架与常见卷积网络模型   

            8.3 基本分类(一)   

            8.4 基本分类(二)   

            8.5 文本分类   

            8.6 keras知识   

            8.7 keras知识2   

            8.8 keras知识3   

            8.9 keras知识4   

            8.10 keras知识5   

            8.11 keras知识6   

            8.12 回归   

            8.13 过拟合与欠拟合   

            8.14 模型的保存与恢复   

            8.15  使用CNN图像识别   

            8.16 使用CNN识别图像2   

            8.17 循环神经网络   

            8.18 循环神经网络2   

            8.19 自然语言处理   

            8.20 自然语言处理2   

            8.21 自然语言处理3   

            8.22 自然语言处理4   

  • 必修

            9.1 极大似然估计   

            9.2 朴素贝叶斯分类器1   

            9.3 朴素贝叶斯分类器2   

            9.4 朴素贝叶斯分类器3   

            9.5 朴素贝叶斯分类器4   

            9.6 EM算法   

  • 必修

            10.1 集成学习概述   

            10.2 常见集成学习方法1   

            10.3 补充EM例子   

            10.4 常见集成学习例子2   

            10.5 xgboost例子   

  • 必修

            11.1  k-means聚类    

            11.2  层次聚类1   

            11.3 层次聚类2    

            11.4 密度聚类   

  • 必修

            12.1  主成分分析   

            12.2 非线性PCA,流形学习,度量学习   

            12.3 非线性PCA,流形学习,度量学习2   

            12.4 综合应用-文本降维与聚类   

            12.5 综合应用-文本降维与聚类2   

  • 必修

            13.1 子集搜索与评价   

            13.2 过滤式选择、包裹式选择   

            13.3 嵌入式选择与L_1正则化、稀疏表示与字典学习   

            13.4 使用Python接口进行特征选择   

  • 必修

            14.1 基础知识   

            14.2 PAC学习   

            14.3 VC维、Rademacher复杂度、稳定性   

  • 必修

            15.1 基本理论   

            15.2 基本理论2   

            15.3 python接口1   

            15.4 python接口2   

  • 必修

            16.1 隐马尔可夫模型   

            16.2 隐马尔科夫模型2   

            16.3 马尔可夫随机场与条件随机场   

            16.4 学习与推断(变量消去、信念传播)   

            16.5 话题模型   

  • 必修

            17.1 基本概念   

  • 必修

            18.1 Q-learning1   

            18.2 Q-learning2   

            18.3 深度强化学习1   

            18.4 深度强化学习2   

            18.5 深度强化学习3   

  • 必修

            19.1 增量学习思想   

            19.2 增量学习例子   

  • 必修

            20.1 迁移学习简介   

            20.2 迁移学习例子1   

            20.3 迁移学习例子2   

  • 必修

            21.1 主动学习思想与例子   

  • 必修

            22.1 多任务学习思想与例子   

  • 必修

            23.1 resnet的具体实现   

            23.2 推荐系统   

            23.3 deepdream   

            23.4 风格迁移   

            23.5 图像分割   

            23.6 目标检测   

            23.7 GAN网络   

开课时间:

2019年04月25日起。每周一19:00-20:00,20:00-21:00。共117个课时。

学习方式:

在线直播 + 直播回看(4年内无限制次数反复回看)

常见问题:

Q:需要什么基础?

A:1、Python编程基础(可报名机器学习之Python编程基础与数据分析 | 点击报名)2、人工智能数学基础(可报名《人工智能数学基础2018暑期8天集训营》 | 点击报名)现在报名机器学习365天特训营以上两科免费赠送

Q:课程视频可以回看吗?

A:4年有效期内均可不限次数回看。

Q:有学员讨论群吗?

A:有。付费报名后可联系助教老师申请进群。

Q:可以下载课件、课上讲师的源码吗?

A:可以。每节直播课程结束后会将课上所有文件归档,学员可自由下载。

Q:其他问题?

A:请移步联系方式

做口碑最好的人工智能线上教育品牌