课程简介
机器学习是计算机科学中一个最活跃的分支领域之一，是人工智能的研究中最核心的一部分。与传统的严格静态编程指令不同，机器学习算法根据数据输入构建模型并由数据驱动的来进行预测与分析。机器学习可用于多种任务如垃圾邮件过滤、网络入侵者检测、字符识别、搜索引擎的构建和计算机视觉领域。本课程将解释机器学习任务和模型评估的基本概念，介绍基本核心算法，包括决策树，贝叶斯分类器，KNN，SVM和深度神经网络，并通过一些实践样例，提供实践技巧。并了解到一些最新关于深度学习理论和应用的内容。
目标收益
（1）解释机器学习理论的概念
（2）介绍常见的机器学习模型
（3）深度学习的理论与应用
培训对象
（1）开发者
（2）架构师
（3）测试工程师
（4）研究工程师
课程大纲
|
课时一： 机器学习基本概念 |
主要内容：介绍机器学习中的数学基础与基本哲学 1）基本术语：数据集、特征、特征向量、学习、学习器、样本、标签、测试 2）学习任务的分类：监督学习、非监督学习、半监督学习 3）模型的评估：泛化能力、过拟合、欠拟合、性能度量（查准、查全、ROC等） 4）线性模型：基本形式、对数几率回归 5) 机器学习的哲学：维度诅咒，奥卡姆剃刀 可选内容：机器学习发展史、机器学习具体应用等 推荐书目：机器学习、统计学习方法 演示内容：无 |
|
课时二： 机器学习模型 |
主要内容：对基本的机器学习算法的原理进行简单介绍 1）决策树 2）贝叶斯分类器：极大似然估计、朴素贝叶斯分类器、 3）K-近邻 4）支持向量机 可选内容：特征选择方法、降维方法 推荐书目：机器学习、机器学习实战 演示内容：anoconda中scikit-learn库的基本机器学习算法的演示 |
|
课时三： 统计学习基础 |
主要内容：模型与生成模型 1） 隐含变量（Latent Variable） 2）混合模型（Mixture Model） 3）三枚硬币问题（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算法推导与性能 (EM Algorithm) 推荐书目：统计学习（中文版、英文版） 演示内容： 无 |
|
课时四： 深度学习 |
主要内容：本课时主要介绍深度学习的基本原理与方法 1）卷积神经网络 2）循环神经网络 推荐书目：深度学习（中文版、英文版） 演示内容：tensorflow库中的RNN和CNN基本网络的使用 |
|
课时一： 机器学习基本概念 主要内容：介绍机器学习中的数学基础与基本哲学 1）基本术语：数据集、特征、特征向量、学习、学习器、样本、标签、测试 2）学习任务的分类：监督学习、非监督学习、半监督学习 3）模型的评估：泛化能力、过拟合、欠拟合、性能度量（查准、查全、ROC等） 4）线性模型：基本形式、对数几率回归 5) 机器学习的哲学：维度诅咒，奥卡姆剃刀 可选内容：机器学习发展史、机器学习具体应用等 推荐书目：机器学习、统计学习方法 演示内容：无 |
|
课时二： 机器学习模型 主要内容：对基本的机器学习算法的原理进行简单介绍 1）决策树 2）贝叶斯分类器：极大似然估计、朴素贝叶斯分类器、 3）K-近邻 4）支持向量机 可选内容：特征选择方法、降维方法 推荐书目：机器学习、机器学习实战 演示内容：anoconda中scikit-learn库的基本机器学习算法的演示 |
|
课时三： 统计学习基础 主要内容：模型与生成模型 1） 隐含变量（Latent Variable） 2）混合模型（Mixture Model） 3）三枚硬币问题（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算法推导与性能 (EM Algorithm) 推荐书目：统计学习（中文版、英文版） 演示内容： 无 |
|
课时四： 深度学习 主要内容：本课时主要介绍深度学习的基本原理与方法 1）卷积神经网络 2）循环神经网络 推荐书目：深度学习（中文版、英文版） 演示内容：tensorflow库中的RNN和CNN基本网络的使用 |
近期公开课推荐
