机器学习主流算法:从理论到实践

默认教学计划
165人加入学习
(1人评价)
价格 ¥499.00
承诺服务
课程介绍

       机器学习(Machine Learning,ML)是一门多领域交叉学科, 涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它是人工智能的核心,是使计算机具有智能的根本途径。目前,机器学习被广泛应用于专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等领域。本次课程,我们选取了科研以及企业界常用的10个机器学习算法,从背景到算法,算法到实践(课程主要采用Python2语言),逐步介绍。

 

-- 讲师团队 --

        邵老师,现任副教授、硕士生导师,中科院自动化所博士毕业,具有两年教学授课经验。主要研究方向包括机器学习、模式识别,作为项目负责人承担国家自然科学基金,在国际主流期刊和会议上发表论文数篇。

        霍老师,计算机视觉领域一线青年学者,西安电子科技大学博士毕业研究方向为图像处理,主持和参与多项国家自然科学基金,以第一作者在相关领域期刊以及会议上发表论文多篇。

 

-- 课程内容 --

      1.基础预习(自修内容)

            内容包括:矩阵论基础知识、概率论基础知识和优化基础知识等。

      2. 机器学习概述与KNN分类器(2学时)

            课程内容:机器学习方法分类以及基础知识介绍,KNN算法介绍等

      3.贝叶斯分类(2学时)

            课程内容:包括朴素贝叶斯、贝叶斯决策论等

      4.回归与分类(2学时)

            课程内容:包括曲线拟合;线性回归以及logistics回归等

      5.支持向量机(2学时)

            课程内容:包括线性支持向量机;非线性支持向量机以及核方法等

      6.聚类(2学时)

            课程内容:包括K均值聚类以及层次聚类等

      7.数据降维(2学时)

            课程内容:包括线性以及非线性降维等

      8.EM算法(2学时)

            课程内容:包括EM算法基础、多高斯参数估计以及相关应用等

      9.决策树(2学时)

            课程内容:包括决策树以及随机森林等

      10.Adaboost算法(2学时)

            课程内容:包括独立于算法的机器学习以及Adaboost算法等

      11.隐马尔科夫模型(2学时)

            课程内容:包括马尔科夫、隐马尔科夫模型以及相关应用等

 

-- 学习收获 --

      通过本课程的学习,您可以:

      1. 快速掌握基础的10种机器学习算法知识;

      2. 快速获得基础的10种机器学习算法实现能力;

      3. 获得一对一的学习路线规划服务。

 

-- 学习方式 开课时间 --

学习方式:

      1. 在线直播授课,直播后一年内可以无限次回放;

      2. 微信答疑群内实时答疑;

      3. 课程ppt提前公开给学员,便于课前预习;

      4. 课后向学员公开课程源代码,便于课后练习。

开课时间:

      11月30号到12月21号,连续四周的周四、周六、周日晚上7~9点进行直播授课。

 

-- 先修课程 参考书籍 --

      1. 先修课程

            高等数学、线性代数、概率论以及Python的基础知识;

      2. 参考书籍

            机器学习参考书籍为《机器学习》周志华版、《模式分类》以及《模式识别与机器学习》;

            Python语言参考书籍为《Python学习手册》。

- 微信扫码添加助教 -
进入讲师交流答疑群