课程难度
中级
已经参加学习的人数
321
课程主讲师
雷老师
学习次数
59730
讲授机器学习相关的高等数学、线性代数、概率论知识 |
数学知识 难度值:
|
讲授决策树的基本概念,分类与回归树的原理,决策树的表示能力,决策树的训练算法,寻找最佳分裂的原理,叶子节点值的标记,属性缺失与替 代分裂,决策树的剪枝算法,决策树应用 |
决策树 难度值:
|
讲授数据降维原理,PCA的核心思想,计算投影矩阵,投影算法的完整流程,非线性降维技术,流行学习的概念,局部线性嵌入,拉普拉斯特征映射,局部保持投影,等距映射,实际应用 |
数据降维 难度值:
|
讲授神经网络的基本思想,神经元的原理,神经网络的结构,正向传播算法,反向传播算法,神经网络的实现细节,神经网络的理论分析,面临的挑战与改进措施,实际应用 |
人工神经网络 难度值:
|
讲授logistic回归的基本思想,预测算法,训练算法,softmax回归,线性支持向量机,实际应用 |
线性模型 难度值:
|
讲授Boosting算法的原理,AdaBoost算法的基本概念,训练算法,与随机森林的比较,训练误差分析,广义加法模型,指数损失函数,训练算法的推导,弱分类器的选择,样本权重削减,实际应用 |
AdaBoost算法 难度值:
|
讲授聚类算法的基本概念,算法的分类,层次聚类,K均值算法,EM算法,DBSCAN算法,OPTICS算法,mean shift算法,谱聚类算法,实际应用 |
聚类算法 难度值:
|
讲授强化学习的基本概念,马尔可夫决策过程,策略函数,状态价值函数,动作价值函数,动态规划算法的原理,策略迭代算法,价值迭代算法,蒙特卡洛算法,时序差分算法的原理,SARSA算法,Q学习算法 |
强化学习 难度值:
|
讲授7个实践项目,包括:用人工神经网络进行图像分类,用AdaBoost算法进行目标检测,用HOG+SVM进行目标检测,用随机森林进行数据预测,用logistic回归进行数据预测,用聚类算法进行数据分析 |
实践项目 难度值:
|
机器学习简介 难度值:
|
讲授机器学习的基本概念、发展历史与典型应用 |
贝叶斯分类器 难度值:
|
讲授贝叶斯公式、朴素贝叶斯分类器、正态贝叶斯分类器的原理、实现以及实际应用 |
K近邻算法 难度值:
|
讲授K近邻思想,kNN的预测算法,距离函数,距离度量学习,kNN算法的实际应用 |
线性判别分析 难度值:
|
讲授LDA基本思想,寻找最佳投影矩阵,PCA与LDA的比较,LDA的实际应用 |
支持向量机 难度值:
|
讲授线性分类器,分类间隔,线性可分的支持向量机原问题与对偶问题,线性不可分的支持向量机原问题与对偶问题,核映射与核函数,多分类问题,libsvm的使用,实际应用 |
随机森林 难度值:
|
讲授集成学习的概念,Bootstrap抽样,Bagging算法,随机森林的原理,训练算法,包外误差,计算变量的重要性,实际应用 |
高斯混合模型与EM算法 难度值:
|
讲授高斯混合模型的基本概念,训练算法面临的问题,EM算法的核心思想,算法的实现,实际应用 |
隐马尔可夫模型 难度值:
|
讲授马尔可夫过程,马尔科夫模型,训练算法,隐马尔可夫模型的概念,估值问题,解码问题,训练算法,实际应用 |
工程实践问题 难度值:
|
讲授样本与样本标注问题,特征构造,类别不均衡处理,特征选择,特征降维,特征归一化,模型选择,过拟合问题,速度优化,安全性问题,对抗样本的原理 |
算法总结 难度值:
|
对本课程中所讲的算法,进行总结与比较 |
第 1 集机器学习简介
第 2 集数学知识-1
第 3 集数学知识-2
第 4 集基本概念
第 5 集贝叶斯分类器
第 6 集决策树
第 7 集k近邻算法
第 8 集数据降维1
第 9 集数据降维2
第 10 集线性判别分析
第 11 集人工神经网络1
第 12 集人工神经网络2
第 13 集人工神经网络3
第 14 集支持向量机1
第 15 集支持向量机2
第 16 集支持向量机3
第 17 集线性模型1
第 18 集线性模型2
第 19 集随机森林
第 20 集AdaBoost算法1
第 21 集AdaBoost算法2
第 22 集AdaBoost算法3
第 23 集高斯混合模型与EM算法
第 24 集聚类算法1
第 25 集聚类算法2
第 26 集隐马尔可夫模型
第 27 集强化学习1
第 28 集强化学习2
第 29 集工程实践问题
第 30 集实践项目
第 31 集各种算法总结
雷老师
硕士,毕业于清华大学计算机系。人工智能和机器学习领域资深专家。前知名智能硬件与智能家居公司CTO,前百度高级工程师、项目经理,有超过12年的机器学习、机器视觉、自然语言处理学术研究和产品研发经验。同时具备深厚的理论功底和丰富的工业经验。
Lantern
硕士,毕业于清华大学计算机系,主要负责实验平台,实践项目的技术支持,在人工智能算法、工程化方面有深厚的造诣与丰富的实际经验。
授课方式是?
为了保障课程质量,提高学习效率, 课程采用录播形式。视频精心录制与剪辑制作,时间比直播更灵活,方便随时观看学习。
学习《机器学习》,有什么要求么?
虽然在课程中会讲解机器学习中所用到的数学知识,但没有数学基础的同学,需要先修过3门基础课程: 高等数学、线性代数以及概率论,才能更好地理解课程内容,跟上课程进度。
课程周期是多久?
为了让大家在一定时间内集中精力学习,《机器学习》课程有效期有6个月时间,对于单独学习这门课程来,时间是充裕的。
遇到问题可以咨询么?
学习过程中遇到的任何问题都可以提出来,会有专业导师进行6个月的在线答疑,解决你学习中遇到的任何问题与困难。
如何开取发票?
购买成功后,扫描下方二维码,将具体开票信息发送给小编即可。
如何延长有效期?
课程到期后,电脑端登录官网可以续费,续费价格是官网原价的5%,有效期半年(不包括在线答疑)。注意:到期前两周内课程详情页面会出现【续费】按钮,点击按钮进行续费即可。