工程師
其他
人工智能
機器學習
推薦課程
average > 0 ? $model->average . '分' : '10.0分' ?>

機器學習入門與實踐

前Keep首席科學家 北京航空航天大學副教授

現(xiàn)任北京航空航天大學自動化學院副教授、北航科技傳播研究中心主任。 2001畢業(yè)于黑龍江大學自動化系獲學士學位,并與2002年和2005年獲得英國布里斯托(Bristol)大學碩士、博士。美國加州大學伯克利分校 (UC Berkeley) 博士后、牛津 (Oxford) 大學與卡內(nèi)基梅隆大學 (CMU) 訪問學者。目前主要研究方向為人工智能、機器學習、數(shù)據(jù)挖掘、跨媒體檢索與自然語言理解。出版英文專著1本;編輯論文集2本;在WSDM,CVPR,ICASSP,EMNLP等國際會議與Information Sciences, Neurocomputing等期刊共發(fā)表論文100余篇。10年教育部新世紀優(yōu)秀人才獲得者。同時廣泛參與信息產(chǎn)業(yè)界的技術咨詢工作,并曾任馬上金融人工智能研究院副院長、Keep首席科學家兼人工智能研究院院長。

現(xiàn)任北京航空航天大學自動化學院副教授、北航科技傳播研究中心主任。 2001畢業(yè)于黑龍江大學自動化系獲學士學位,并與2002年和2005年獲得英國布里斯托(Bristol)大學碩士、博士。美國加州大學伯克利分校 (UC Berkeley) 博士后、牛津 (Oxford) 大學與卡內(nèi)基梅隆大學 (CMU) 訪問學者。目前主要研究方向為人工智能、機器學習、數(shù)據(jù)挖掘、跨媒體檢索與自然語言理解。出版英文專著1本;編輯論文集2本;在WSDM,CVPR,ICASSP,EMNLP等國際會議與Information Sciences, Neurocomputing等期刊共發(fā)表論文100余篇。10年教育部新世紀優(yōu)秀人才獲得者。同時廣泛參與信息產(chǎn)業(yè)界的技術咨詢工作,并曾任馬上金融人工智能研究院副院長、Keep首席科學家兼人工智能研究院院長。

課程費用

6800.00 /人

課程時長

2

成為教練

課程簡介

機器學習是計算機科學中一個最活躍的分支領域之一,是人工智能的研究中最核心的一部分。與傳統(tǒng)的嚴格靜態(tài)編程指令不同,機器學習算法根據(jù)數(shù)據(jù)輸入構建模型并由數(shù)據(jù)驅動的來進行預測與分析。機器學習可用于多種任務如垃圾郵件過濾、網(wǎng)絡入侵者檢測、字符識別、搜索引擎的構建和計算機視覺領域。本課程將解釋機器學習任務和模型評估的基本概念,介紹基本核心算法,包括決策樹,貝葉斯分類器,KNN,SVM和深度神經(jīng)網(wǎng)絡,并通過一些實踐樣例,提供實踐技巧。并了解到一些最新關于深度學習理論和應用的內(nèi)容。

目標收益

(1)解釋機器學習理論的概念
(2)介紹常見的機器學習模型
(3)深度學習的理論與應用

培訓對象

(1)開發(fā)者
(2)架構師
(3)測試工程師
(4)研究工程師

課程大綱

課時一:
機器學習基本概念
主要內(nèi)容:介紹機器學習中的數(shù)學基礎與基本哲學

1)基本術語:數(shù)據(jù)集、特征、特征向量、學習、學習器、樣本、標簽、測試
2)學習任務的分類:監(jiān)督學習、非監(jiān)督學習、半監(jiān)督學習
3)模型的評估:泛化能力、過擬合、欠擬合、性能度量(查準、查全、ROC等)
4)線性模型:基本形式、對數(shù)幾率回歸
5) 機器學習的哲學:維度詛咒,奧卡姆剃刀
可選內(nèi)容:機器學習發(fā)展史、機器學習具體應用等

推薦書目:機器學習、統(tǒng)計學習方法
演示內(nèi)容:無
課時二:
機器學習模型
主要內(nèi)容:對基本的機器學習算法的原理進行簡單介紹
1)決策樹
2)貝葉斯分類器:極大似然估計、樸素貝葉斯分類器、
3)K-近鄰
4)支持向量機
可選內(nèi)容:特征選擇方法、降維方法
推薦書目:機器學習、機器學習實戰(zhàn)
演示內(nèi)容:anoconda中scikit-learn庫的基本機器學習算法的演示
課時三:
統(tǒng)計學習基礎
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算法推導與性能 (EM Algorithm)
推薦書目:統(tǒng)計學習(中文版、英文版)
演示內(nèi)容: 無
課時四:
深度學習
主要內(nèi)容:本課時主要介紹深度學習的基本原理與方法
1)卷積神經(jīng)網(wǎng)絡
2)循環(huán)神經(jīng)網(wǎng)絡
推薦書目:深度學習(中文版、英文版)
演示內(nèi)容:tensorflow庫中的RNN和CNN基本網(wǎng)絡的使用
課時一:
機器學習基本概念
主要內(nèi)容:介紹機器學習中的數(shù)學基礎與基本哲學

1)基本術語:數(shù)據(jù)集、特征、特征向量、學習、學習器、樣本、標簽、測試
2)學習任務的分類:監(jiān)督學習、非監(jiān)督學習、半監(jiān)督學習
3)模型的評估:泛化能力、過擬合、欠擬合、性能度量(查準、查全、ROC等)
4)線性模型:基本形式、對數(shù)幾率回歸
5) 機器學習的哲學:維度詛咒,奧卡姆剃刀
可選內(nèi)容:機器學習發(fā)展史、機器學習具體應用等

推薦書目:機器學習、統(tǒng)計學習方法
演示內(nèi)容:無
課時二:
機器學習模型
主要內(nèi)容:對基本的機器學習算法的原理進行簡單介紹
1)決策樹
2)貝葉斯分類器:極大似然估計、樸素貝葉斯分類器、
3)K-近鄰
4)支持向量機
可選內(nèi)容:特征選擇方法、降維方法
推薦書目:機器學習、機器學習實戰(zhàn)
演示內(nèi)容:anoconda中scikit-learn庫的基本機器學習算法的演示
課時三:
統(tǒng)計學習基礎

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算法推導與性能 (EM Algorithm)
推薦書目:統(tǒng)計學習(中文版、英文版)
演示內(nèi)容: 無
課時四:
深度學習
主要內(nèi)容:本課時主要介紹深度學習的基本原理與方法
1)卷積神經(jīng)網(wǎng)絡
2)循環(huán)神經(jīng)網(wǎng)絡
推薦書目:深度學習(中文版、英文版)
演示內(nèi)容:tensorflow庫中的RNN和CNN基本網(wǎng)絡的使用

課程費用

6800.00 /人

課程時長

2

預約體驗票 我要分享

近期公開課推薦

近期公開課推薦

活動詳情

提交需求