第一：课程大纲
本课程讲解了机器学习必须知识点：机器学习与相关数学初步、数理统计与参数估计、矩阵分析与应用、凸优化问题、回归分析与工程应用、特征工程、工程流程与模型调优、最大熵模型与EM算法、推荐系统与应用、聚类算法与应用、决策树知识、支持向量SVM、贝叶斯算法、人工神经网络、卷积神经网络CNN、循环神经网络RNN与LSTM、Caffe&Tensor; Flow&MxNet; 简介、贝叶斯网络和HMM等。
第二：适合人群
针对机器学习感兴趣的同学，本课程适合机器学习入门到精通。
第三：课程目标
课程目标：掌握机器学习必须知识点：机器学习与相关数学初步、数理统计与参数估计、矩阵分析与应用、凸优化问题、回归分析与工程应用、特征工程、工程流程与模型调优、最大熵模型与EM算法、推荐系统与应用、聚类算法与应用、决策树知识、支持向量SVM、贝叶斯算法、人工神经网络、卷积神经网络CNN、循环神经网络RNN与LSTM、Caffe&Tensor; Flow&MxNet; 简介、贝叶斯网络和HMM等。
第四：课程时长
本课程预计80节课，课程讲解按照知识点讲解，循序渐进。知识点：机器学习与相关数学初步、数理统计与参数估计、矩阵分析与应用、凸优化问题、回归分析与工程应用、特征工程、工程流程与模型调优、最大熵模型与EM算法、推荐系统与应用、聚类算法与应用、决策树知识、支持向量SVM、贝叶斯算法、人工神经网络、卷积神经网络CNN、循环神经网络RNN与LSTM、Caffe&Tensor; Flow&MxNet; 简介、贝叶斯网络和HMM等。
第五：课程大纲
第一章：机器学习与相关数学初步
第二章：数理统计与参数估计
第三章：矩阵分析与应用
第四章：凸优化问题
第五章：回归分析与工程应用
第六章：特征工程
第七章：工程流程与模型调优
第八章：最大熵模型与EM算法
第九章：推荐系统与应用
第十章：聚类算法与应用
第十一章：决策树知识
第十二章：支持向量SVM
第十三章：贝叶斯算法
第十四章：人工神经网络
第十五章：卷积神经网络CNN
第十六章：循环神经网络RNN与LSTM
第十七章：Caffe&Tensor; Flow&MxNet;
第十八章：简介、贝叶斯网络和HMM
第十九章：汇总知识点
第二十章：训练问题讲解