课程介绍
随着人工智能的火爆，机器学习人才之争成为企业的关键，因此在这个时刻，我们来学习机器学习课程，将会对我们的职业发展起到决定性的作用。本套课程采用寻寻渐进的方式，先理论、后实战。保证每位学员，学习到企业一线相关的机器学习技术。本套课程涵盖机器学习的方方面面，涵盖回归算法、分类算法及聚类算法。同时在高级部分，增加了深度学习方面的知识，涵盖Tensorflow、CNN网络、RNN网络以及LSTM网络。
课程特色
1.课程内容系统、完整、前后衔接、层层递进，老师授课条理清晰、深入浅出、由浅入深。
2.课程中包含数十个热点项目案例，算法理论与实操相结合，全程课堂撸代码，拒绝照本宣科。
3.课程注重分享机器学习真实应用开发流程及项目经验。
适用人群
1.有志于入行人工智能的初学者
2.数学理工科相关专业的学生和研究人员
3.有一定编程基础希望转行人工智能的工程师
4.人工智能从业者和爱好者
学习目标
1.扩宽对不同场景下算法应用的理解，通过项目实战积累项目经验，为求职面试做好充分准备
2.掌握数据采集、数据清洗、特征选择、模型选择、模型训练测试、模型性能评估与优化以及模型使用等机器学习应用完整开发流程
3.结合实际项目案例，会利用机器学习模型和算法解决实际的业务问题，提升工作档次，助力职业快速发展
讲师介绍
-
Bruce
大讲台人工智能特聘讲师
计算机博士，目前就职于中科院某研究所，长期从事深度学习与机器学习研究工作，在NLP与CV领域有很深造诣，主持多项科技专项，并带领团队深入一线研发并落地，XXX视频监控与分析系统、XXX舆情监控系统、XXX智能对话系统及 XXX森林防火无人机跟拍系统等。申请发明专利2项、部级科技进步二等奖一次，在SIGIR、CIKM及AAAI的国际会议发表多篇文章。
免费视频这么多，为什么还要来大讲台？
智能化
学习任务智能推送
混合式
“图文+视频”混合式课件
答疑快
30分钟问答响应
实战多
3分理论7分实战
包学会
账号长期有效学会为止
课程大纲
|
1.1.什么是机器学习 1.2.机器学习有什么用 1.3.机器学习与AI的关系 1.4.机器学习与深度学习的关系 1.5.机器学习的分类 1.6.开发一个机器学习应用的典型步骤 1.6.1数据采集与标记 1.6.2数据清洗 1.6.3特征选择 1.6.4模型选择 1.6.5模型训练和测试 1.6.6模型性能评估与优化 1.6.7模型使用 |
| 2.1.Numpy从0到1 | 2.1.1Numpy基础 2.1.1.1Numpy Ndarray对象 2.1.1.2Numpy数据类型 2.1.1.3Numpy数组属性 2.1.1.4Numpy创建数组 2.1.2Numpy进阶2.1.2.1Numpy切片 2.1.2.2Numpy高级索引 2.1.2.3Numpy广播 2.1.2.4Numpy数组操作 2.1.2.5Numpy字符串操作 2.1.3Numpy高级2.1.3.1Numpy数学算数函数 2.1.3.2Numpy算数运算 2.1.3.3Numpy统计函数 2.1.3.4Numpy矩阵库 2.1.3.5Numpy线性代数 |
| 2.2.Panads从0到1 | 2.2.1Panads基础 2.2.2基本数据结构 2.2.3数据排序 2.2.4数据访问 2.2.5时间序列 2.2.6数据可视化 2.2.7文件读写 |
| 2.3.Matplotlib从0到1 | 2.3.1图形样式 2.3.2图形对象 2.3.3画图操作 |
| 2.4.机器学习理论基础 | 2.4.1过拟合与欠拟合 2.4.2代价函数 2.4.3模型准确性 2.4.4模型性能的不同表述方式 2.4.5交叉集验证数据集 2.4.6学习曲线 2.4.7实例：画出学习曲线 2.4.8过拟合和欠拟合的特征 2.4.9算法模型的性能优化 2.4.10准去率与召回率 2.4.11F1 Score |
| 3.1.KNN算法 | 3.1.1算法原理 3.1.2算法优缺点 3.1.3算法参数 3.1.4算法的变种 3.1.5示例：使用KNN进行分类 3.1.6示例：使用KNN进行回归拟合 3.1.7案例：老年人糖尿病预测 3.1.7.1 加载数据集 3.1.7.2 模型比较 3.1.7.3 模型训练及分析 3.1.7.4 特征选择及数据可视化 |
| 3.2.线性回归算法 | 3.2.1算法原理 3.2.2预测函数 3.2.3代价函数 3.2.4梯度下降算法 3.2.5多变量线性回归算法 3.2.6预测函数 3.2.7代价函数 3.2.8梯度下降算法 3.2.9模型优化 3.2.10多项式与线性回归 3.2.11数据归一化 3.2.12案例：Kaggle比赛房价预测 3.2.12.1输入特征 3.2.12.2模型训练 3.2.12.3模型优化 3.2.12.4学习曲线 |
| 3.3.逻辑回归算法 | 3.3.1算法原理 3.3.2预测函数 3.3.3判定边界 3.3.4代价函数 3.3.5梯度下降算法 3.3.6多元分类 3.3.7正则化 3.3.8线性回归模型正则化 3.3.9逻辑回归模型正则化 3.3.10案例：乳腺癌检测 3.3.10.1数据采集及特征提取 3.3.10.2模型训练 3.3.10.3模型优化 3.3.10.4学习曲线 |
| 3.4.决策树 | 3.4.1算法原理 3.4.2信息增益 3.4.3决策树创建 3.4.4剪枝算法 3.4.5算法参数 3.4.6案例：预测泰塔尼克号幸存者 3.4.6.1数据分析 3.4.6.2模型训练 3.4.6.3模型参数优化 3.4.6.4模型参数选择工具包 |
| 3.5.支持向量机 | 3.5.1算法原理 3.5.2大距离分类算法 3.5.3松弛系数 3.5.4核函数 3.5.5最简单的核函数 3.5.6相似性函数 3.5.7常用的核函数 3.5.8核函数的对比 3.5.9实例：猫狗分类 3.5.9.1 数据采集及特征提取 3.5.9.2 模型训练 3.5.9.3 模型优化 3.5.9.4 模型使用 |
| 3.6.朴素贝叶斯算法 | 3.6.1算法原理 3.6.2贝叶斯定理 3.6.3朴素贝叶斯分类法 3.6.4概率分布 3.6.5概率分布的基本概念 3.6.6多项式分布 3.6.7高斯分布 3.6.8案列：文档分类 3.6.9获取数据集 3.6.10档的数学表达 3.6.11模型训练 3.6.12模型评价 |
| 3.7.PCA算法 | 3.7.1算法原理 3.7.2数据归一化和缩放 3.7.3计算协方差举着的特征向量 3.7.4数据降维和恢复 3.7.5PCA算法实例 3.7.6使用numpy模拟PCA计算过程 3.7.7使用sklearn进行PCA降维 3.7.8案例：人脸识别 3.7.8.1加载数据集 3.7.8.2使用PCA来处理数据 3.7.8.3最终结果 |
| 3.8.聚类算法 | 3.8.1算法原理 3.8.2各种相似度度量及其相互关系 3.8.3Jaccard相似度和准确率、召回率 3.8.4Pearson相关系数与余弦相似度 3.8.5K-means 3.8.6实践：新闻聚类实现 3.8.6.1获取数据集 3.8.6.2文档的数学表达 3.8.6.3模型训练 3.8.6.4模型评价 |
| 4.1.Tensorflow基础 | 4.1.1什么是张量 4.1.2计算图模型 4.1.3数据处理 4.1.4Tensorbord使用 |
| 4.2.神经网络基础 | 4.2.1模型原理 4.2.2激活函数 4.2.3Softmax 4.2.4案例：图像识别之猫狗大战 4.2.4.1数据处理 4.2.4.2模型实现 4.2.4.3模型训练 4.2.4.4模型使用 |
| 4.3.CNN网络 | 4.3.1模型原理 4.3.2案例：基于CNN的人脸识别 4.3.2.1数据处理 4.3.2.2模型实现 4.3.2.3模型训练 4.3.2.4模型使用 |
| 4.4.RNN网络 | 4.4.1模型原理 4.4.2案例：基于RNN的歌词创作 4.4.2.1数据处理 4.4.2.2模型实现 4.4.2.3模型训练 4.4.2.4模型使用 |
| 4.5.LSTM网络 | 4.5.1模型原理 4.5.2案例：基于LSTM的机器翻译 4.5.2.1数据处理 4.5.2.2模型实现 4.5.2.3模型训练 4.5.2.4模型使用 |
