課程簡(jiǎn)介
機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)中一個(gè)最活躍的分支領(lǐng)域之一，是人工智能的研究中最核心的一部分。與傳統(tǒng)的嚴(yán)格靜態(tài)編程指令不同，機(jī)器學(xué)習(xí)算法根據(jù)數(shù)據(jù)輸入構(gòu)建模型并由數(shù)據(jù)驅(qū)動(dòng)的來(lái)進(jìn)行預(yù)測(cè)與分析。機(jī)器學(xué)習(xí)可用于多種任務(wù)如垃圾郵件過(guò)濾、網(wǎng)絡(luò)入侵者檢測(cè)、字符識(shí)別、搜索引擎的構(gòu)建和計(jì)算機(jī)視覺(jué)領(lǐng)域。本課程將解釋機(jī)器學(xué)習(xí)任務(wù)和模型評(píng)估的基本概念，介紹基本核心算法，包括決策樹(shù)，貝葉斯分類(lèi)器，KNN，SVM和深度神經(jīng)網(wǎng)絡(luò)，并通過(guò)一些實(shí)踐樣例，提供實(shí)踐技巧。并了解到一些最新關(guān)于深度學(xué)習(xí)理論和應(yīng)用的內(nèi)容。
目標(biāo)收益
（1）解釋機(jī)器學(xué)習(xí)理論的概念
（2）介紹常見(jiàn)的機(jī)器學(xué)習(xí)模型
（3）深度學(xué)習(xí)的理論與應(yīng)用
培訓(xùn)對(duì)象
（1）開(kāi)發(fā)者
（2）架構(gòu)師
（3）測(cè)試工程師
（4）研究工程師
課程大綱
|
課時(shí)一： 機(jī)器學(xué)習(xí)基本概念 |
主要內(nèi)容：介紹機(jī)器學(xué)習(xí)中的數(shù)學(xué)基礎(chǔ)與基本哲學(xué) 1）基本術(shù)語(yǔ)：數(shù)據(jù)集、特征、特征向量、學(xué)習(xí)、學(xué)習(xí)器、樣本、標(biāo)簽、測(cè)試 2）學(xué)習(xí)任務(wù)的分類(lèi)：監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí) 3）模型的評(píng)估：泛化能力、過(guò)擬合、欠擬合、性能度量（查準(zhǔn)、查全、ROC等） 4）線(xiàn)性模型：基本形式、對(duì)數(shù)幾率回歸 5) 機(jī)器學(xué)習(xí)的哲學(xué)：維度詛咒，奧卡姆剃刀 可選內(nèi)容：機(jī)器學(xué)習(xí)發(fā)展史、機(jī)器學(xué)習(xí)具體應(yīng)用等 推薦書(shū)目：機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)習(xí)方法 演示內(nèi)容：無(wú) |
|
課時(shí)二： 機(jī)器學(xué)習(xí)模型 |
主要內(nèi)容：對(duì)基本的機(jī)器學(xué)習(xí)算法的原理進(jìn)行簡(jiǎn)單介紹 1）決策樹(shù) 2）貝葉斯分類(lèi)器：極大似然估計(jì)、樸素貝葉斯分類(lèi)器、 3）K-近鄰 4）支持向量機(jī) 可選內(nèi)容：特征選擇方法、降維方法 推薦書(shū)目：機(jī)器學(xué)習(xí)、機(jī)器學(xué)習(xí)實(shí)戰(zhàn) 演示內(nèi)容：anoconda中scikit-learn庫(kù)的基本機(jī)器學(xué)習(xí)算法的演示 |
|
課時(shí)三： 統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ) |
主要內(nèi)容：模型與生成模型 1） 隱含變量（Latent Variable） 2）混合模型（Mixture Model） 3）三枚硬幣問(wèn)題（3-Coin Problem） 4）高斯混合模型（Gaussian Mixture Model） EM算法（Expectation Maximization） 1）期望最大（Expectation Maximization） 2）混合模型的EM算法（EM for Mixture Models） 3）Jensen 不等式 (Jensen's Inequality) 4）EM算法推導(dǎo)與性能 (EM Algorithm) 推薦書(shū)目：統(tǒng)計(jì)學(xué)習(xí)（中文版、英文版） 演示內(nèi)容： 無(wú) |
|
課時(shí)四： 深度學(xué)習(xí) |
主要內(nèi)容：本課時(shí)主要介紹深度學(xué)習(xí)的基本原理與方法 1）卷積神經(jīng)網(wǎng)絡(luò) 2）循環(huán)神經(jīng)網(wǎng)絡(luò) 推薦書(shū)目：深度學(xué)習(xí)（中文版、英文版） 演示內(nèi)容：tensorflow庫(kù)中的RNN和CNN基本網(wǎng)絡(luò)的使用 |
|
課時(shí)一： 機(jī)器學(xué)習(xí)基本概念 主要內(nèi)容：介紹機(jī)器學(xué)習(xí)中的數(shù)學(xué)基礎(chǔ)與基本哲學(xué) 1）基本術(shù)語(yǔ)：數(shù)據(jù)集、特征、特征向量、學(xué)習(xí)、學(xué)習(xí)器、樣本、標(biāo)簽、測(cè)試 2）學(xué)習(xí)任務(wù)的分類(lèi)：監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí) 3）模型的評(píng)估：泛化能力、過(guò)擬合、欠擬合、性能度量（查準(zhǔn)、查全、ROC等） 4）線(xiàn)性模型：基本形式、對(duì)數(shù)幾率回歸 5) 機(jī)器學(xué)習(xí)的哲學(xué)：維度詛咒，奧卡姆剃刀 可選內(nèi)容：機(jī)器學(xué)習(xí)發(fā)展史、機(jī)器學(xué)習(xí)具體應(yīng)用等 推薦書(shū)目：機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)習(xí)方法 演示內(nèi)容：無(wú) |
|
課時(shí)二： 機(jī)器學(xué)習(xí)模型 主要內(nèi)容：對(duì)基本的機(jī)器學(xué)習(xí)算法的原理進(jìn)行簡(jiǎn)單介紹 1）決策樹(shù) 2）貝葉斯分類(lèi)器：極大似然估計(jì)、樸素貝葉斯分類(lèi)器、 3）K-近鄰 4）支持向量機(jī) 可選內(nèi)容：特征選擇方法、降維方法 推薦書(shū)目：機(jī)器學(xué)習(xí)、機(jī)器學(xué)習(xí)實(shí)戰(zhàn) 演示內(nèi)容：anoconda中scikit-learn庫(kù)的基本機(jī)器學(xué)習(xí)算法的演示 |
|
課時(shí)三： 統(tǒng)計(jì)學(xué)習(xí)基礎(chǔ) 主要內(nèi)容：模型與生成模型 1） 隱含變量（Latent Variable） 2）混合模型（Mixture Model） 3）三枚硬幣問(wèn)題（3-Coin Problem） 4）高斯混合模型（Gaussian Mixture Model） EM算法（Expectation Maximization） 1）期望最大（Expectation Maximization） 2）混合模型的EM算法（EM for Mixture Models） 3）Jensen 不等式 (Jensen's Inequality) 4）EM算法推導(dǎo)與性能 (EM Algorithm) 推薦書(shū)目：統(tǒng)計(jì)學(xué)習(xí)（中文版、英文版） 演示內(nèi)容： 無(wú) |
|
課時(shí)四： 深度學(xué)習(xí) 主要內(nèi)容：本課時(shí)主要介紹深度學(xué)習(xí)的基本原理與方法 1）卷積神經(jīng)網(wǎng)絡(luò) 2）循環(huán)神經(jīng)網(wǎng)絡(luò) 推薦書(shū)目：深度學(xué)習(xí)（中文版、英文版） 演示內(nèi)容：tensorflow庫(kù)中的RNN和CNN基本網(wǎng)絡(luò)的使用 |
近期公開(kāi)課推薦
