-
学习时长
5周/建议每周6个小时
-
答疑服务
专属微信答疑群/讲师助教均参与
-
作业批改
每章节设计作业/及时批改评优
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。
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。
- 第1章: 机器学习概述
- 第1节: 机器学习概述
- 1-1:【课件】机器学习概述.pdf
- 1-2:机器学习概述
- 第2章: 机器学习之数学基础
- 第1节: 概率论基础知识
- 2-1:【课件】概率论基础知识.pdf
- 2-2:基础数学知识:概率论部分
- 2-3:【补充材料】关于信息熵的问题答疑与补充;MLE与MAP例子的详细推导与补充
- 2-4:【补充材料】常用概率分布表.pdf
- 第2节: 矩阵论基础知识
- 3-1:【课件】矩阵论基础知识.pdf
- 3-2:基础数学知识:矩阵论部分
- 第3节: 优化理论基础知识
- 4-1:【课件】最优化方法基础.pdf
- 4-2:基础数学知识:优化部分
- 第3章: 机器学习经典算法
- 第1节: 经典算法之KNN分类器
- 5-1:【课件】KNN分类器.pdf
- 5-2:KNN分类器:KNN算法介绍
- 5-3:【代码】code_KNN.rar
- 第2节: 经典算法之贝叶斯分类
- 6-1:【课件】贝叶斯分类.pdf
- 6-2:贝叶斯分类:包括朴素贝叶斯、贝叶斯决策论等
- 第3节: 经典算法之回归与分类
- 7-1:【课件】线性模型.pdf
- 7-2:回归与分类:包括曲线拟合;线性回归以及logistic回归等
- 7-3:【代码】线性模型代码-数据集.rar
- 第4节: 经典算法之支持向量机
- 8-1:【课件】支持向量机.pptx
- 8-2:支持向量机:包括线性支持向量机;非线性支持向量机以及核方法等
- 8-3:【代码】SVM代码和数据集.txt
- 第5节: 经典算法之聚类
- 9-1:【课件】聚类分析.pptx
- 9-2:聚类:包括K均值聚类以及层次聚类等
- 第6节: 经典算法之数据降维
- 10-1:【课件】特征降维.pdf
- 10-2:数据降维:包括线性以及非线性降维等
- 10-3:【代码】clustering.rar
- 第7节: 经典算法之EM算法
- 11-1:【课件】EM算法.pdf
- 11-2:EM算法:包括EM算法基础、多高斯参数估计以及相关应用等
- 第8节: 经典算法之决策树
- 12-1:【课件】决策树.pdf
- 12-2:决策树:包括决策树以及随机森林等
- 12-3:【代码】决策树.rar
- 第9节: 经典算法之隐马尔科夫模型
- 13-1:【课件】隐马尔科夫模型.pdf
- 13-2:隐马尔科夫模型:包括马尔科夫、隐马尔科夫模型以及相关应用等
- 第10节: 经典算法之Adaboost算法
- 14-1:【课件】集成学习.pdf
- 14-2:Adaboost算法:包括独立于算法的机器学习以及Adaboost算法等
- 14-3:【代码】Adaboost算法.rar
课程特色
1、课程学习结束,根据每次作业的分数,评选优秀学员;
2、优秀学员获得深蓝学院认证的学习证书;
3、优秀学员可推荐实习/就业。
先修课程
先修课程:
高等数学、线性代数、概率论以及Python的基础知识;
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》。
学习收获
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。
课程特色
1、课程学习结束,根据每次作业的分数,评选优秀学员;
2、优秀学员获得深蓝学院认证的学习证书;
3、优秀学员可推荐实习/就业。
先修课程
先修课程:
高等数学、线性代数、概率论以及Python的基础知识;
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》。
学习收获
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。