机器学习365天特训营 - 第四期

 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

2020年,美国哈佛大学博士后带您系统学习机器学习。

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136次理论+6个项目实战(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:每周二19:00 - 20:00,20:00 - 21:00,随时随地随时回看。

长达365天的超系统机器学习课程。

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。

  • 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)   

  • 选修

            4.1 Python基础(一)   

            4.2 Python基础(二)   

            4.3 Python基础(三)   

            4.4 Python基础(四)   

            4.5 Python基础(五)   

  • 选修

            5.1 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 个体与集成   

            10.2 Boosting   

            10.3 Bagging与随机森林(Bagging、随机森林)   

            10.4 结合策略(平均法,投票法,学习法)   

            10.5 多样性(误差-分歧分解,多样性度量,多样性增强)   

  • 必修

            11.1 聚类任务   

            11.2 性能度量、距离计算   

            11.3 原型聚类(k均值算法、学习向量量化、高斯混合聚类)   

            11.4 密度聚类   

            11.5 层次聚类   

  • 必修

            12.1 k近邻学习、低维嵌入   

            12.2 主成分分析、核化线性降维   

            12.3 流形学习(等度量映射,局部线性嵌入)   

            12.4 度量学习   

  • 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 压缩感知   

  • 必修

            14.1 基础知识   

            14.2 PAC学习   

            14.3 有限假设空间(可分情形,不可分情形)   

            14.4 VC维、Rademacher复杂度、稳定性   

  • 必修

            15.1 未标记样本   

            15.2 生成式方法   

            15.3 半监督SVM   

            15.4 图半监督学习   

            15.5 基于分歧的方法   

            15.6 半监督聚类   

  • 必修

            16.1 隐马尔可夫模型   

            16.2 马尔可夫随机场   

            16.3 条件随机场   

            16.4 学习与推断(变量消去、信念传播)   

            16.5 近似推断(MCMC采样,变分推断)   

            16.6 话题模型   

  • 必修

            17.1 基本概念   

            17.2 序贯覆盖   

            17.3 剪枝优化   

            17.4 一阶规则学习   

            17.5 归纳逻辑程序设计(最小一般泛化,逆归结)   

  • 必修

            18.1 任务与奖赏   

            18.2 K-摇臂赌博机(探索与利用,ε-贪心,Softmax)   

            18.3 有模型学习(策略评估,策略改进,策略迭代与值迭代)   

            18.4 免模型学习(蒙特卡罗强化学习,时序差分学习)   

            18.5 值函数近似   

            18.6 模仿学习(直接模仿学习,逆强化学习)   

  • 必修

            19.1 被动攻击学习(梯度下降量的抑制,被动攻击分类,被动攻击回归)   

            19.2 适应正则化学习(参数分布的学习,适应正则化分类,适应正则化回归)   

  • 必修

            20.1 迁移学习简介(什么是迁移学习、迁移学习VS传统机器学习,应用领域)   

            20.2 迁移学习的分类方法(一)按迁移情境,按特征空间   

            20.3 迁移学习的分类方法(二)按特征空间,按迁移方法   

            20.4 代表性研究成果(域适配问题,多源迁移学习,深度迁移学习)   

  • 必修

            21.1 主动学习简介   

            21.2 主动学习思想   

            21.3 主动学习 VS 半监督学习   

            21.4 主动学习 VS Self-Learning   

  • 必修

            22.1 使用最小二乘回归的多任务学习   

            22.2 使用最小二乘概率分类器的多任务学习,多次维输出函数的学习   

  • 必修

            23.1 机器学习经典应用场景,头脑风暴:挖掘身边的应用场景   

  • 必修

            24.1 时域特征   

            24.2 频域特征   

            24.3 自动特征提取   

  • 必修

            25.1 使用机器学习分类   

            25.2 机器学习调参   

            25.3 分类结果展示   

  • 必修

            26.1 O2O优惠券使用预测   

            26.2 鲍鱼年龄预测   

            26.3 机器恶意流量识别   

            26.4 根据用户轨迹进行精准营销   

            26.5 根据搜狗输入进行用户画像   

            26.6 美国债务违约预测   

开课时间:

2020年01月14日起。每周二19:00-20:00,20:00-21:00。共142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: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