@JeemyJohn
2018-05-21T03:23:07.000000Z
字数 1167
阅读 1050
A课程&写书
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。
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》。
| 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； |
| 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； |