课程介绍
机器学习和人工智能当下热度十足,本课程旨在帮助大家快速掌握机器学习所依赖的数学知识,并和工程案例紧密结合在一起,对于复杂的复杂的数学知识给出通俗易懂的解释,帮助大家快速夯实数学基本功。并配合python代码演示,为以后的机器学习、人工智能无障碍升级做好准备。
脉脉数据研究院提供的数据显示,目前国内人工智能相关岗位应届毕业生的起薪基本都在12.5k/月以上,毕业三年后人工智能岗位的技术人员,平均月薪在25k以上。年薪25万已成白菜价,AI应届研究生年薪更是高达50万,还没毕业就已被抢光。但是,在人工智能领域,无论是机器人、语音识别,还是图像识别、自然语言处理都离不开数学。很多兴冲冲的同学一听数学就直接放弃,大错特错。
人工智能中的数学分两个层面,一个研究层面,一个是工程层面。前者是要造轮子,很难,非数学专业研究生、博士级别不能问津,但这部分的行业需求之占5%的比例。后一个层面是要使用轮子即可,会有一定的难度,至少要比你想象的简单的多。而行业需求95%其实集中在后者。也正是因为这点难度才让人工智能门槛相交传统程序员更高,薪资更丰厚。
网上数学公开课很多了,都是学院派的,听着懵比犯困,而且内容面面俱到、不突出重点,偏离工程甚远。这门《人工智能数学基础三部曲》不装逼,白话讲解,通俗易懂!
本课程和学院派最大区别是从“务实”角度讲解,只提炼工程中用得到的知识点串讲,避开抽象严谨的数学理论,围绕着工程问题进行原理推导与形象解释,对复杂的数学知识给出通俗易懂的解释,帮助大家快速夯实数学基本功。并配合python代码演示,为以后的机器学习、人工智能无障碍升级做好准备。
讲师介绍
-
张晓明
大讲台大数据特聘讲师 | 国内知名金融公司资深数据挖掘
阿里系大数据工程师出身,专业数据挖掘10余年,曾服务于电商、广告、电信、金融等行业大数据平台,全套spark、Hadoop、Flume、Kafka、Spark 、HBase大数据经验。 精通数据挖掘、机器学习、深度学习全栈数据变现技术。
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.Numpy速览 2.认识ndarray 3.创建ndarray对象的几种方法 4.从文件读取数据 5.数组的拆分及合并 6.如何访问数组元素 7.布尔数组下标法访问数组元素 8.整数列表索引及花式索引 9.unfunc和broadcast 10.ufunc案例实战.knn分类器 11.矩阵及其特点 12.线性代数库 |
1.向量及其四则运算 2.从相似度到距离 3.从线性方程组到矩阵 4.从方程组的解到行列式 5.矩阵的四则运算和矩阵乘法的四种视角 6.子空间、线性无关、基及正交基 7.矩阵和线性变换的关系 8.相似矩阵和特征值特征向量相似对角化 9.相似对角化在解释矩阵线性变换时的文忒简化 10.对称方阵的正交分解 11.pca 12.svd分解及其几何意义 13.pca代码 14.svd分解和图像压缩 |
1.概率中的基本概念(随机变量.分布.分布函数) 2.概率中的基本概念(分布函数和数字特征) 3.典型的分布和他们的数字特征 4.随机向量 5.协方差和pca 6.python中如何生成常见分布的随机变量 7.朴素贝叶斯和垃圾邮件分类背景介绍 8.朴素贝叶斯和垃圾邮件分类代码详解 9.统计基础及描述统计 10.极大似然估计、极大后验概率 11.假设检验原理及步骤 12.方差分析原理及Python方差分析 |
1.微分和全微分 2.方向导数和梯度向量 3.导数和函数极值的关系(泰勒展开) 4.梯度下降算法 5.梯度下降的各种优化 6.常见损失函数的梯度推导之均方误差的梯度 7.梯度下降-sigmod函数求导 8.梯度下降-第一种场景log loss的梯度推导 8.梯度下降-spark中log loss的梯度推导 |
1.凸优化入门-直线的向量表示法和凸集的概念 2.凸优化入门-凸函数的概念和均方误差.似然函数都是凸函数 3.凸优化入门-补充.保凸运算.逐点上确界 4.凸优化进阶-什么是凸优化问题 5.凸优化进阶-对偶函数.对偶理论 6.凸优化进阶-对偶的理解和强对偶条件(kkt) |