课程购买失败或数据未及时更新。
您可刷新页面重新查看结果或询问客服

机器学习365天特训营 - 第二期

 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

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,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:每周二19:00 - 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。

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

            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)

  • 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 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 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)

            2.3 评估法代码分析

            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 回归

            8.7 过拟合与欠拟合

            8.8 模型的保存与恢复

            8.9  使用CNN图像识别

            8.10 使用CNN识别图像2

            8.11 循环神经网络

            8.12 自然语言处理

            8.13 自然语言处理2

            8.14 自然语言处理3

            8.15 LSTM例子

  • 必修

            9.1 极大似然估计

            9.2 朴素贝叶斯分类器

            9.3 朴素贝叶斯2

            9.4 朴素贝叶斯3

            9.5 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)

            19.3 增量随机森林

  • 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:

2018年10月02日起。每周二19:00-20:00,20:00-21:00。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