Python机器学习算法升级版课程视频下载

 20191112155439771.jpg

    本课程特点是从数学层面推导最经典的机器学习算法,以及每种算法的示例和代码实现(Python)、如何做算法的参数调试、机器学习算法的应用场景介绍等。

  数学基础1–数学分析

  机器学习的角度看数学

  复习数学分析

  直观解释常数e

  导数/梯度与SGD

  Taylor展式

  凸函数

  概率论基础

  古典概型

  贝叶斯公式

  常见概率分布

  数学基础2–数理统计与参数估计

  统计量

  期望/方差/偏度/峰度

  协方差(矩阵)和相关系数

  独立和不相关

  大数定律

  中心极限定理

  中心矩/原点矩/矩估计

  深刻理解最大似然估计

  过拟合的数学原理

  偏差方差二难

  数学基础3–矩阵和线性代数

  线性代数是有用的:以SVD为例

  马尔科夫模型和矩阵乘法、状态转移矩阵

  矩阵和向量组

  特征值和特征向量

  对称阵、正交阵、正定阵

  数据白化及其应用

  向量对向量求导

  标量对向量求导

  标量对矩阵求导

  数学基础4–凸优化

  凸集的严格数学表达

  凸集保凸运算

  分割超平面/支撑超平面

  凸函数/上境图

  Jensen不等式

  Fenchel不等式

  K-L散度

  凸优化

  共轭函数和对偶函数

  鞍点解释

  用对偶方法求解最小二乘问题

  强对偶KKT条件

  Python基础及其数学库的使用

  解释器Python2.7与IDE:Anaconda/Pycharm

  Python基础:列表/元组/字典/类/文件

  numpy/scipy/matplotlib/panda的介绍和典型使用

  典型图像处理

  Python基础及其机器学习库的使用

  scikit-learn的介绍和典型使用

  损失函数的绘制

  多种数学曲线

  多项式拟合

  股票数据分析、卷积、(指数)移动平均线

  回归

  线性回归

  高斯分布

  Logistic回归

  最大似然估计

  梯度下降算法:BGD与SGD

  特征选择与过拟合

  回归实践

  机器学习sklearn库介绍

  Ridge回归、LASSO

  Logistic/Softmax回归

  回归代码实现和调参

  交叉验证

  数据可视化

  决策树和随机森林

  熵、联合熵、条件熵、KL散度、互信息

  最大似然估计与最大熵模型

  ID3、C4.5、CART详解

  决策树的评价

  预剪枝和后剪枝

  随机森林

  随机森林实践

  手写随机森林实践

  调用开源库函数完成随机森林

  数据结构的综合使用

  gini系数

  提升

  提升为什么有效

  Adaboost算法

  加法模型与指数损失

  梯度提升决策树GBDT

  自己动手实现GBDT

  XGBoost库介绍

  Taylor展式与学习算法

  KAGGLE简介

  泰坦尼克乘客存活率估计

  线性可分支持向量机

  软间隔的改进

  损失函数的理解

  核函数的原理和选择

  SMO算法

  支持向量回归SVR

  SVM实践

  libSVM代码库介绍

  原始数据和特征提取

  调用开源库函数完成SVM

  SVR用于时间序列曲线预测

  SVM、Logistic回归、随机森林三者的横向比较

  聚类

  各种相似度度量及其相互关系

  Jaccard相似度和准确率、召回率

  Pearson相关系数与余弦相似度

  K-means与K-Medoids及变种

  AP算法(Sci07)/LPA算法及其应用

  密度聚类DBSCAN/DensityPeak(Sci14)

  谱聚类SC

  聚类评价和结果指标

  聚类实践

  K-Means++算法原理和实现

  向量量化VQ及图像近似

  并查集的实践应用

  密度聚类的代码实现

  谱聚类用于图片分割

  EM算法

  最大似然估计

  Jensen不等式

  朴素理解EM算法

  精确推导EM算法

  EM算法的深入理解

  混合高斯分布

  主题模型pLSA

  EM算法实践

  多元高斯分布的EM实现

  分类结果的数据可视化

  EM与聚类的比较

  Dirichlet过程EM

  三维及等高线等图件的绘制

  主题模型pLSA与EM算法

  贝叶斯网络

  朴素贝叶斯

  贝叶斯网络的表达

  条件概率表参数个数分析

  马尔科夫模型

  条件独立的三种类型

  混合(离散+连续)网络:线性高斯模型

  Chow-Liu算法:最大权生成树MSWT

  朴素贝叶斯实践

  朴素贝叶斯用于鸢尾花数据

  朴素贝叶斯用于路透社新闻文本分类

  主题模型LDA

  贝叶斯学派的模型认识

  共轭先验分布

  Dirichlet分布

  Laplace平滑

  Gibbs采样详解

  LDA实践

  网络爬虫的原理和代码实现

  停止词和高频词

  动手自己实现LDA

  LDA开源包的使用和过程分析

  Metropolis-Hastings算法

  LDA与word2vec的比较

  隐马尔科夫模型HMM

  概率计算问题

  前向/后向算法

  HMM的参数学习

  Baum-Welch算法详解

  Viterbi算法详解

  HMM实践

  动手自己实现HMM用于中文分词

  多个语言分词开源包的使用和过程分析

  文件数据格式UFT-8、Unicode

  停止词和标点符号对分词的影响

  前向后向算法计算概率溢出的解决方案

  发现新词和分词效果分析

  高斯混合模型HMM

  GMM-HMM用于股票数据特征提取

资源下载此资源下载价格为6学分,请先
充值比例 1元=1学分
资源失效,请咨询客服
客服QQ 980264305
资源下载
下载价格:6 学分
VIP优惠:免费
充值比例 1元=1学分
资源失效,请咨询客服
客服QQ 980264305

评论0

  • 昵称
  • 邮箱
  • 网址
找资源,搜一下,更惊喜
没有账号? 注册忘记密码?