10月机器学习算法班大纲讨论稿 [王牌课程、全新升级]


课程大纲暂定如下,后续会有微调:
第1课 概率论与数理统计
Taylor展式、梯度下降和牛顿法初步、Jensen不等式、
常见分布与共轭分布、切比雪夫不等式、大数定理、中心极限定理、矩估计、极大似然估计

第2课 矩阵和线性代数
特征向量、对称矩阵对角化、线性方程

第3课 凸优化
凸集、凸函数、凸优化、KKT条件

第4课 回归
知识内容:线性回归、logistic回归、梯度下降
实践示例:线性回归与拟合,Logistic回归与分类
工程经验:实际工程海量数据下的logistic回归使用,包括样本处理、特征处理、算法调优和背后的原理

第5课 决策树、随机森林、GBDT/xgboost
决策树 随机森林、GBDT、xgboost、模型评估、ROC、机器学习的流程
实践案例:使用随机森林进行数据分类

第6课 SVM
线性可分支持向量机、线性支持向量机、非线性支持向量机、SMO
实践案例: 使用SVM进行数据分类

第7课 最大熵与EM算法
熵、相对熵、信息增益、最大熵模型、IIS、GMM

第8课 特征工程
内容:数据获取、数据清洗、特征抽取、特征选择与融合
目标:掌握实际工程数据上的特征处理与特征选择

第9课 模型调优
内容:实际机器学习项目下的场景分析、算法选择、模型构建与调优、kaggle示例
目标:掌握一个实际工业界完整的机器学习模型构建的流程

第10课 从分类到CTR预估
分类问题与LR, SVM, Random Forest,GBDT;从分类到CTR预估与排序
实践案例:电商分类与各种模型融合,CTR预估

第11课 推荐系统
基于内容的推荐,协同过滤,隐语义模型,排序模型
实践案例:基于用户打分的电影推荐系统

第12课 聚类
K-means/K-Medoid/层次聚类
实践示例:K-means代码实现和实际应用分析

第13课 贝叶斯网络
朴素贝叶斯、有向分离、马尔科夫模型

第14课 主题模型
pLSA、共轭先验分布、LDA
实践案例:使用LDA进行文档分类

第15课 贝叶斯网络和HMM
贝叶斯网络、概率计算问题、参数学习问题、状态预测问题
实践案例:使用HMM进行中文分词

第16课 采样与变分
MCMC/KL(p||q)与KL(q||p)

第17课 人工神经网络
全连接神经网络、BP算法、链式法则
实践案例:用BP网络做样本数据分类

第18课 深度学习之CNN
卷积操作、Polling操作
理解卷积网络、卷积网络训练以及GPU加速
实践案例:卷积网络在图像分类中的应用

第19课 深度学习之RNN
RNN 网络、LSTM
实践案例:回归网络在自然语言处理中的应用(字符模型和文本生成,char-rnn 案例分析)

第20课 深度学习实践
Caffe 入门教程
Tensor Flow/MxNet 简介
实践案例:使用Torch进行图像分类及卷积网络可视化的深度学习实践

报名链接:https://www.julyedu.com/course/getDetail/47
已邀请:

nebula

赞同来自: mengyuan


GBDT的使用案例是否可以加下?DL部分是否可以讲下RBM和DBN?

要回复问题请先登录注册

收藏七月在线,一起向大牛进阶

ctrl+D或command+D可以快速收藏哦~