本课程主要着重于机器学习理论的数学推导,对涉及到的数学概念进行讲解,对算法的实现给出详细的推导过程,对于算法中涉及到的数学知识进行讲解分析,数学理论深度上满足机器学习算法工程师要求。

开课安排

12月1日正式开课

每周一、四更新(节假日顺延)

录播课程

总学时11课时+2课时答疑

  • 早鸟价

    原价:¥999

    ¥ 599

    12月1日前 已结束
  • 优惠价

    原价:¥999

    ¥ 699

    1月15日前
  • 拼团价

    原价:¥999

    ¥ 499

    5人+成团,联系客服

(点击报名,联系客服改价)

讲师介绍
  • 陈安宁

    日本名古屋大学博士

    长期从事数值计算方面的研究,对机器学习基础算法理论有深入理解,擅长基础算法的数学理论推导。目前主要从事计算工程相关课题和机器学习在数据分析方面的应用,包括市场预测和软件开发。

适合人群

课程大纲

第一课

  • 神经元、神经网络及线性分类器

    1. 大脑和神经元

    2. 神经网络

    3. 感知机

    4. 线性分类

    5. 线性回归

    6. 算法编程实践:感知机算法实现

第二课

  • 多层感知机(MLP)

    1. 前向传播

    2. 误差的后向传播(BP算法)及其公式推导

    3. 算法编程实践:多层感知机的实现

第三课

  • 径向基函数及样条曲线

    1. 径向基函数网络

    2. 插值和偏差方程

第四课

  • 降维技术

    1. 线性判别分析(LDA)

    2. 主成分分析(PCA)

    3. 因子分析(FA)

    4. 独立成分分析(ICA)

    5. 局部线性嵌入(LLE)


第五课

  • 概率学习

    1. 朴素贝叶斯方法

    2. 最近邻法

    3. 高斯混合模型

    4. 编程实践:贝叶斯算法实现

第六课

  • 支持向量机(SVM)

    1. 优化分离

    2. 核函数

    3. 支持向量机算法

    4. 支持向量机扩展

    5. 编程实践:SVM算法实现

第七课

  • 直播在线答疑

    期中作业点评及课程答疑



第八课

  • 决策树学习(DT)

    1. 决策树构建

    2. 分类和递归树(CART)

    3. 编程实践:决策树算法实现


第九课

  • 集成学习(Ensemble learning)

    1. Boosting

    2. Bagging

    3. 随机森林(RF)

    4. 编程实践: GBDT的实现


第十课

  • 非监督学习

    1. k平均算法(K-means Algorithm)

    2. 向量量化(Vector Quantisation)

    3. 自组织特征映射图(Self-organising feature map)


第十一课

  • 马尔科夫链方法(Markov Chain)

    1. 取样

    2. 蒙特卡洛方法

    3. 提议分布(Proposal distribution)

    4. 马尔科夫蒙特卡洛方法


第十二课

  • 神经网络及卷积神经网络

    1. 神经网络

    2. 卷积神经网络

    3. 实践项目:从零开始进行卷积神经网络的编程实践


第十三课

  • 直播在线答疑

    回顾及课程答疑