机器学习-课程详情

课程特色

内容系统全面，从入门到精通

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