必修课程开课时间
后开课
2018-05-19 19:00:00 开课
幂次学院(商标号28794153)AI技术学习平台,专注于AI技术人才教育。为AI学习爱好者提供“技术理论+技术实践相结合的AI技术培训;学习群+辅导员双轨制的AI学习辅导;非商业项目+商业项目并行的AI项目开发”。致力于培养出既懂理论,又能实战的AI技术人才。
机器学习365天特训营邀请中国科学院计算技术研究所人工智能博士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,全年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:每周六19:00-21:00,24小时随时回看。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 + 全天24小时课程问答服务 + 全天24小时社群交流 + 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。
快邀请自己的小伙伴一起来加入机器学习吧!未来的世界将是属于我们的时代!
选修
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)
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)
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 经验误差与过拟合
2.2 评估方法(留出法,交叉验证法,自助法,调参与最终模型)
2.3 性能度量(错误率与精度,查准率,查全率与F1,ROC与AUC,代价敏感错误率与代价曲线),比较检验(假设检验,交叉验证t检验,McNemar检验,Friedman检验与后续检验,偏差与方差)(一)
2.4 性能度量(错误率与精度,查准率,查全率与F1,ROC与AUC,代价敏感错误率与代价曲线),比较检验(假设检验,交叉验证t检验,McNemar检验,Friedman检验与后续检验,偏差与方差)(二)
必修
3.1 对数几率回归(一)
3.2 对数几率回归(二)
3.3 一小时答疑
3.4 线性判别分析
3.5 多分类学习,类别不平衡问题
必修
4.1 基本流程
4.2 划分选择(信息增益,增益率,基尼指数)
4.3 剪枝处理(预剪枝,后剪枝)
4.4 连续与缺失值(连续值处理,缺失值处理)
必修
5.1 神经元模型
5.2 感知机与多层网络
5.3 误差逆传播算法
5.4 一小时答疑
5.5 其他常见神经网络(一)Boltzmann机 、深度置信神经网络DBN
5.6 深度学习网络:卷积神经网络CNN
5.7 一小时答疑
5.8 初识TensorFlow(一)
5.9 初识TensorFlow(二)
5.10 一小时答疑
必修
6.1 支持向量机(一)
6.2 支持向量机(二)
6.3 一小时答疑
6.4 支持向量机(三)
6.5 支持向量机(四)
6.6 一小时答疑
6.7 支持向量机(五)
6.8 支持向量机(六)
6.9 一小时答疑
必修
7.1 贝叶斯分类器—初识贝叶斯分类器
7.2 贝叶斯分类器—最大似然估计和贝叶斯参数估计
7.3 一小时答疑
7.4 贝叶斯分类器—最大似然估计和贝叶斯参数估计(补充)
7.5 朴素贝叶斯分类器,半朴素贝叶斯分类器
7.6 贝叶斯网(结构,学习,推断)
7.7 一小时答疑
7.8 贝叶斯分类器 - EM算法
7.9 贝叶斯分类器 - EM实战
7.10 一小时答疑
必修
8.1 集成学习 - 第一部分 - 基础
8.2 集成学习 - 第一部分 - 实战
8.3 一小时答疑
8.4 Boosting
8.5 Adaboost
8.6 Boosting与Adaboost - 实战
8.7 一小时答疑
8.8 Bagging与随机森林
8.9 分类与回归树
8.10 Bagging与随机森林实战
必修
9.1 聚类任务
9.2 聚类任务、性能度量、距离计算 - 实战
9.3 一小时答疑
9.4 原型聚类(k均值算法、学习向量量化、高斯混合聚类)(一)
9.5 原型聚类(k均值算法、学习向量量化、高斯混合聚类)(二)
9.6 原型聚类(k均值算法、学习向量量化、高斯混合聚类) - 实战
9.7 密度聚类
9.8 层次聚类
必修
10.1 k近邻算法
10.2 K-D Tree
10.3 MDS
10.4 PCA
10.5 流形学习(一)
10.6 流形学习(二)
10.7 度量学习(一)
10.8 度量学习(二)
必修
11.1 XGBoost(一)
11.2 XGBoost(二)
11.3 XGBoost(三)
必修
12.1 特征选择与稀疏学习(一)
12.2 特征选择与稀疏学习(二)
必修
13.1 计算学习理论(一)
13.2 计算学习理论(二)
必修
14.1 半监督学习(一)
14.2 半监督学习(二)
14.3 半监督学习(三)未标记样本
14.4 半监督学习(四)生成式方法
14.5 半监督学习(五)实战
14.6 半监督学习(六)半监督SVM
14.7 半监督学习(七)图半监督学习
14.8 半监督学习(八)实战
14.9 半监督学习(九)基于分歧的方法
14.10 半监督学习(十)半监督聚类
必修
15.1 隐马尔可夫模型
15.2 概率图模型-马尔可夫随机场条件随机场
15.3 精准推断
15.4 近似推断
15.5 概率计算问题 直接计算算法 前向算法
15.6 概率计算问题 前向算法
15.7 概率计算问题 后向算法
15.8 概率计算问题 学习算法
15.9 概率计算问题 预测问题
必修
16.1 基本概念 贯序覆盖
16.2 剪枝优化
16.3 决策树
16.4 一阶规则学习
16.5 归纳逻辑程序设计(最小一般泛化,逆归结)
16.6 归纳逻辑程序设计(最小一般泛化,逆归结)2
必修
17.1 强化学习引言、发展史
17.2 强化学习简介
17.3 强化学习方法
17.4 强化学习算法分类 TD算法
17.5 Qlearning
17.6 QLearning2
17.7 Sarsa
17.8 DQN
17.9 强化学习应用和未来展望
必修
必修
19.1 迁移学习1
19.2 迁移学习2
19.3 迁移学习3
19.4 迁移学习4
必修
必修
必修
必修
23.1 基于Keras的分类模型1
23.2 基于Keras的分类模型2
23.3 基于pytorch的领域分布自适应
23.4 基于pytorch的领域分布自适应
23.5 数据挖掘实战-蒸汽预测1
23.6 数据挖掘实战-蒸汽预测2
23.7 数据挖掘实战-o2o预测1
23.8 数据挖掘实战-o2o预测2
23.9 深度学习图像-人脸检测
23.10 深度学习图像-目标检测
开课时间:
每周六19:00-21:00,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 + 答疑)