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 |