课程分类

课程搜索

浏览历史

登录可查看
课程浏览历史

立即登录
课程介绍
课程目录
用户评论
课程介绍
课程目录
用户评论

你将获得

  • 掌握某些知识点
  • 学会某些技巧（或思路）

教学服务

  • icon

    1v1专属答疑服务

  • icon

    BAT专家面试辅导

讲师介绍

  • 头像

    周海

    出身于C++，成长于.NET，投身过IoT，捣腾过互联网，现在被大数据和机器学习所吸引。在微软做过码农，在创业公司当过合伙人；在项目中摸爬滚打过多年，跟同学们谈笑风生到现在。让我们成为学习路上的合伙人，我们一起用最短的时间，最轻松的方式，最贴近本质的做法，完成你的入行之旅

    出身于C++，成长于.NET，投身过IoT，捣腾过互联网，现在被大数据和机器学习所吸引。在微软做过码农，在创业公司当过合伙人；在项目中摸爬滚打过多年，跟同学们谈笑风生到现在。让我们成为学习路上的合伙人，我们一起用最短的时间，最轻松的方式，最贴近本质的做法，完成你的入行之旅

    • 课程详情


    简介：

    学习目标
    1. 掌握机器学习中必备的数学知识
    2. 理解并实现基本的机器学习算法
    3. 能够使用典型的机器学习库完成分类、回归和预判
    4. 掌握机器学习模型的评价和优化方法
    5. 了解和掌握深度神经网络的设计方法
    6. 能够使用TensorFlow实现典型的深度神经网络和卷积神经网络


    适用人群
    对机器学习、深度学习等感兴趣的技术人员


    预备知识
    熟练掌握Python基本语法


    工具和平台
    1. Visual Studio Code
    2. Python及：numpy, scipy，scikit-sklearn, matplotlib
    3. TensorFlow for Python
    4. 数据集：MNIST、CIFAR-10


    课程安排
    计划共14次课，每次课程约90分钟

    第一次课：数学基础（一）

    1. numpy.array的典型操作
    2. 向量、矩阵的dot和*运算
    3. 概率分布和随机数
    4. 函数求导及链式法则
    5. 求和公式导数计算
    6. 拉格朗日乘子法和凸优化

    第二次课：数学基础（二）

    1. 矩阵和向量的求导
    2. 链式求导法则的图解法
    3. 求解函数极值
    4. 基本统计量：偏差、方差、标准差、协方差、相关性

    第三次课：数学基础（三）

    1. 最小二乘法推导及Analytic解法
    2. 最小二乘法的Numeric解法：梯度下降算法

    第四次课：数学基础（四）

    1. 梯度下降算法的Python实现
    2. 使用scipy.optimize求解普通函数极值
    3. 使用sklearn.linear_model.LinearRegression实现一元线性回归
    4. 一元线性回归的梯度下降算法实现

    第五次课：线性回归

    1. 线性回归的效能评价
    2. 使用sklearn.linear_model.LinearRegression实现多元线性回归
    3. 多元线性回归的梯度下降算法实现
    4. 数据归一化(Normalization)
    5. 超参数：Learning Rate
    6. 非线性拟合(高阶拟合)的线性处理
    7. 欠拟合(Underfit)和过拟合(Overfit)

    第六次课：逻辑回归

    1. 使用sklearn.linear_model.LogisticRegression实现二分类
    2. 二分类的梯度下降算法实现
    3. 模型正则化(Regularization)
    4. 使用sklearn.linear_model.LogisticRegression实现多分类
    5. 多分类的自定义实现
    6. Validation和Cross Validation
    7. 超参数：λ
    8. 模型效能评价：F1 Score

    第七次课：凸优化

    1. 距离计算
    2. 拉格朗日乘子法
    3. 凸优化
    4. 使用scipy.optimize求解带约束条件的函数极值
    5. 使用sklearn.svm实现二分类
    第八次课：SVM
    1. SVM的优化目标
    2. 使用凸优化求解SVM目标函数
    3. 核函数的作用和工作方式
    4. 使用sklearn.svm实现多分类
    第九次课：KNN和K-Means
    1. 使用sklearn.neighbors.NearestNeighbors实现分类
    2. KNN的自定义实现
    3. 超参数：K
    4. 交叉验证
    5. 使用sklearn.cluster.KMeans实现无监督学习的分类
    6. K-Means算法的自定义实现
    7. 条件概率和贝叶斯公式
    8. 朴素贝叶斯方法与文本信息分类
    第十次课：贝叶斯分类、决策树和随机森林
    1. 朴素贝叶斯文本信息分类的自定义实现
    2. 使用sklearn.naive_bayes.MultinomialNB实现文本信息分类
    3. 信息熵的计算
    4. ID3算法的Step By Step演示
    5. 决策树特征的预处理：数值化和向量化
    6. 决策树的自定义实现
    7. 使用sklearn.tree.DecisionTreeClassifier
    8. 使用sklearn.ensemble.RandomForestClassifier
    9. 随机森林的自定义实现
    10. 神经网络的前向传播计算
    11. 使用sklearn.neural_network.MLPClassifier实现手写图片分类识别
    第十一次课：图像分类基础
    1. cifar-10数据集
    2. mini-batch
    3. SVM线性分类器
    4. Softmax线性分类器
    5. 神经网络反向传播算法原理
    6. 神经网络的自定义实现
    第十二次课：多层神经网络要点
    1. 激活函数
    2. 数据预处理考量
    3. 权重初始化考量
    4. Batch Normalization
    5. 梯度更新策略
    6. Dropout
    7. 使用模块化的全连接神经网络实现图像分类
    第十三次课：卷积神经网络
    1. 图像过滤器
    2. 卷积层计算
    3. 池化层计算
    4. 全连接层
    5. 典型图像分类卷积神经网络的层次结构
    6. 卷积神经网络的自定义实现
    第十四次课：TensorFlow
    1. TensorFlow使用入门
    2. 使用TensorFlow完成典型的机器学习任务
    3. 使用TensorFlow简化卷积神经网络代码编写
    4. 使用卷积神经网络实现图像分类








     
    热门知识