[关闭]
@JeemyJohn 2018-05-21T11:23:07.000000Z 字数 1167 阅读 1152

机器学习升级课

A课程&写书



1. 课程简介

  本课程是机器学习的入门并拔高课程。从机器学习、深度学习最基本的原理入手,以模型为基础,以算法与数学推导为核心,以算法调参与应用为导向。通过对机器学习中几个最经典核心算法模型的学习与源码实战,从而帮助学员彻底理解每个模型的运行原理与效果。

  此外,本课程最后通过完整的大型项目,帮助读者从 构建数据集特征选择模型调参模型评估与验证 一步步掌握机器学习项目开发的完整流程,同时能够完整地学习到推荐系统的相关基础知识。

2. 作者介绍

  章华燕,机器学习硕士毕业,CSDN博客专家。曾就职微软、京东、阿里巴巴等大型互联网公司。目前就职于陌陌,担任推荐算法工程师,负责陌陌直播算法推荐。个人擅长技术主要有:计算机视觉,机器学习,深度学习,大数据分析与计算,密码学算法。个人微信号TonyJeemy520,个人微信公众号《机器学习算法工程师》。

3. 课程大纲

课程 内容
绪论 1、 为什么学习机器学习;
2、机器学习能做什么;
3、机器学习有哪些方向;
4、怎么入门和转行机器学习;
数学基础 1、线性代数;
2、概率与统计;
3、数学分析与凸优化;
Python基础 1、Python快速入门;
2、Numpy库基础;
3、数据分析库Pandas基础;
4、Python数据可视化Matplotlib基础;
5、Python机器学习库Scikit-learn简介;
机器学习的基本原理 1、机器学习的特点与功能;
2、机器学习算法分类;
3、机器学习的要素;
4、机器学习模型求解;
5、经验风险与结构风险;
6、模型的评估与选择;
朴素贝叶斯 1、从贝叶斯定理到分类模型;
2、条件概率的参数估计;
3、贝叶斯估计;
4、Navie Bayes实战;
逻辑回归(Logistic Regression) 1、逻辑回归模型;
2、逻辑回归的损失函数;
3、逻辑回归的模型求解;
支持向量机(SVM) 1、SVM要解决的问题;
2、线性可分SVM原理推导;
3、非线性SVM与核函数;
4、SVM多分类解决方法;
决策树 1、熵与信息增益;
2、决策树的生成;
3、决策树的剪枝策略;
集成学习算法大串讲 1、AdaBoost算法原理;
2、随机森林算法;
3、GBDT算法原理;
3、XGBoost算法详解;
4、LightGBM算法的改进;
特征工程 1、特征工程是什么;
2、数据预处理方法;
3、特征选择方法;
4、特征降维;
聚类算法 1、无监督算法评价指标;
2、距离度量;
3、K-Means算法;
4、密度聚类算法之 DBSCAN
5、层次聚类算法之 AGNES
神经网络 1、神经元与感知机模型;
2、BP学习算法;
3、神经网络编码高维稀疏特征向量案例分析;
综合案例:机器学习在推荐系统中的应用 1、推荐系统架构介绍;
2、召回层算法详解;
3、排序层算法详解;
4、推荐系统案例实战;
添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注