机器学习主流算法:从理论到实践

  • 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2章: 机器学习之数学基础
  • 第1节: 概率论基础知识
  • 任务2-1: 【课件】概率论基础知识.pdf
  • 任务2-2: 基础数学知识:概率论部分 回放
  • 任务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
  • 任务2-4: 【补充材料】常用概率分布表.pdf
  • 第2节: 矩阵论基础知识
  • 任务3-1: 【课件】矩阵论基础知识.pdf
  • 任务3-2: 基础数学知识:矩阵论部分 回放
  • 第3节: 优化理论基础知识
  • 任务4-1: 【课件】最优化方法基础.pdf
  • 任务4-2: 基础数学知识:优化部分 回放
  • 第3章: 机器学习经典算法
  • 第1节: 经典算法之KNN分类器
  • 任务5-1: 【课件】KNN分类器.pdf
  • 任务5-2: KNN分类器:KNN算法介绍 回放
  • 任务5-3: 【代码】code_KNN.rar
  • 第2节: 经典算法之贝叶斯分类
  • 任务6-1: 【课件】贝叶斯分类.pdf
  • 任务6-2: 贝叶斯分类:包括朴素贝叶斯、贝叶斯决策论等 回放
  • 第3节: 经典算法之回归与分类
  • 任务7-1: 【课件】线性模型.pdf
  • 任务7-2: 回归与分类:包括曲线拟合;线性回归以及logistic回归等 回放
  • 任务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
  • 任务8-1: 【课件】支持向量机.pptx
  • 任务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 回放
  • 任务8-3: 【代码】SVM代码和数据集.txt
  • 第5节: 经典算法之聚类
  • 任务9-1: 【课件】聚类分析.pptx
  • 任务9-2: 聚类:包括K均值聚类以及层次聚类等 回放
  • 第6节: 经典算法之数据降维
  • 任务10-1: 【课件】特征降维.pdf
  • 任务10-2: 数据降维:包括线性以及非线性降维等 回放
  • 任务10-3: 【代码】clustering.rar
  • 第7节: 经典算法之EM算法
  • 任务11-1: 【课件】EM算法.pdf
  • 任务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 回放
  • 第8节: 经典算法之决策树
  • 任务12-1: 【课件】决策树.pdf
  • 任务12-2: 决策树:包括决策树以及随机森林等 回放
  • 任务12-3: 【代码】决策树.rar
  • 第9节: 经典算法之隐马尔科夫模型
  • 任务13-1: 【课件】隐马尔科夫模型.pdf
  • 任务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 回放
  • 第10节: 经典算法之Adaboost算法
  • 任务14-1: 【课件】集成学习.pdf
  • 任务14-2: Adaboost算法:包括独立于算法的机器学习以及Adaboost算法等 回放
  • 任务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。

相关推荐

机器学习 计算机视觉 深度学习 计算机视觉 进阶