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 朴素贝叶斯4   

            9.6 EM算法   

  • 必修

            10.1 集成学习概述   

            10.2 Bagging, Boosting, Stacking-1   

            10.3 Bagging, Boosting, Stacking-2   

            10.4 xgboost例子   

            10.5 xgboost2   

  • 必修

            11.1 k-means聚类   

            11.2 层次聚类   

            11.3 层次聚类2   

            11.4 密度聚类   

  • 必修

            12.1 主成分分析   

            12.2 主成分分析2   

            12.3 LDA降维1   

            12.4 LDA降维2   

            12.5 非线性PCA,流形学习,度量学习   

            12.6 非线性PCA,流形学习,度量学习2   

            12.7 综合应用-文本降维与聚类   

            12.8 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 子集搜索与评价2   

            13.3 过滤式选择   

            13.4 包裹式选择,嵌入式选择与L_1正则化   

            13.5 稀疏表示与字典学习   

            13.6 Python特征选择   

  • 必修

            14.1 基础知识   

            14.2 PAC学习与有限假设空间   

            14.3 VC维、Rademacher复杂度   

            14.4 稳定性   

  • 必修

            15.1 生成式等方法基本理论   

            15.2 基本理论2   

            15.3 python接口1   

            15.4 python接口2   

            15.5 python接口3   

  • 必修

            16.1 隐马尔可夫模型1   

            16.2 隐马尔可夫模型2   

            16.3 隐马尔可夫模型3   

            16.4 马尔科夫随机场   

            16.5 条件随机场   

            16.6 学习与推断   

            16.7 话题模型   

  • 必修

            17.1 基本概念   

            17.2 常用方法   

  • 必修

            18.1 Q-learning1   

            18.2 Q-learning2   

            18.3 深度强化学习   

            18.4 代码分析1   

            18.5 代码分析2   

            18.6 代码分析3   

  • 必修

            19.1 影评分类引入增量学习的例子   

            19.2 增量学习算法思想   

  • 必修

            20.1 keras相关知识   

            20.2 迁移学习例子   

  • 必修

            21.1 主动学习简介   

            21.2 主动学习思想   

  • 必修

            22.1 使用最小二乘回归的多任务学习   

  • 必修
  • 必修

            24.1 时域特征   

            24.2 频域特征   

  • 必修

            25.1 机器学习调参   

            25.2 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