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 |
近期公開課推薦
