Py学习  »  Python

Python师资培训-暑期机器学习系列课程

经管之家 • 1 年前 • 153 次点击  
机器学习是席卷全球的专业术语。它抓住了大众的想象力,让人联想到未来自学人工智能和机器人的愿景。

机器学习是一组帮助计算机自行学习和适应的技术和工具的总称。机器学习算法可帮助 AI 学习,而无需明确的编程来执行所需的操作。从输入的样本中学习模型,机器学习算法仅仅根据学习到的模型来预测和执行任务,而并不是通过预定义的程序指令来预测和执行任务。在无法应用严格算法的情况下,机器学习就是救星。它从以前的模式中学习新流程并执行知识。

机器学习应用于发文领域也在近几年快速增长:


市面上机器学习的视频及课程比比皆是,彼机器学习非此机器学习

Python机器学习:
用来做预测,只要您的论文议题和预测有关系或者相关都可以用,很多高校老师也在学


JG学术培训
Python机器学习暑期系列课程


课程时间
及培训方式

机器学习现场班:
        7月20-24日@上海现场
机器学习线上班:
        30小时@随报随学
机器学习进阶班:
        8月12-15日(四天)@远程+录播

→ 报名“机器学习线上班”赠送Python编程+数据清洗课程
→ 授课与答疑均是课程主讲老师本人
→ 不同于其他Python课程,单独为学术研究打造的Python机器学习学术应用课程
→ 会进行Python机器学习学术论文写作指导

授课嘉宾简介

现场班:

陈强教授,北京大学经济学学士、硕士,美国Northern Illinois University数学硕士、经济学博士,现为数量经济学博士生导师,在统计学、计量经济学及机器学习领域具有深厚的功底,2010年入选教育部新世纪优秀人才支持计划。陈强老师著有畅销研究生教材《高级计量经济学及Stata应用》(第2版,高教社,2014),以及《机器学习及R应用》(高教社,2020)与《机器学习及Python应用》(高教社,2021)。陈强老师特别擅长深入浅出、直指人心地介绍数据分析原理,深受广大学生们的喜爱,其现场班常常人满为患、好评如潮。

线上课程:

陈远祥老师,北京邮电大学副教授 。北京大学博士及博士后。

发表SCI/EI学术论文80余篇,其中第一或通讯作者论文40余篇,申请发明专利4项。主持国家自然科学基金面上项目,国家重点研发计划子课题,国家自然科学基金青年项目及博士后基金等多个国家级和省部级项目。

IEEE、OSA会员,Optics Express, IEEE Photonics Technology Letters,Photonics Journal,Applied Optics等多个SCI期刊审稿人。

课程内容

现场班:
思想原理+ 数学精髓 + Python经典案例


第1讲机器学习引论
(1)什么是机器学习
(2)机器学习的分类与术语
(3)案例:垃圾邮件过滤;手写体数字识别;图像识别;自动驾驶

第2讲Python语言快速入门
(1) Why Python?
(2)安装Python与Spyder
(3) Python的模块(module)
(4) Python的对象(str, bool, list, tuple, dict, set)
(5) Python的函数(function)与方法(method)
(6) Numpy (ndarray), pandas(Series, Data Frame)
(7) sklearn (机器学习)与keras(深度学习)
(8) Python画图(Matplotlib, pandas, seaborn)
(9) Python面向对象编程

第3讲数学回顾
(1)梯度向量
(2) 方向导数
(3)梯度下降
(4)向量微分
(5)最优化

第4讲线性回归
(1) OLS
(2)过拟合与泛化能力
(3)偏差与方差的权衡
(4)交叉验证
(5)Python案例:多项式回归的过拟合;波士顿房价

第5讲逻辑回归
(1) Logit
(2)几率比
(3)灵敏度与特异度
(4) ROC与AUC
(5)科恩的kappa
(6)Python案例:泰坦尼克号旅客的存活

第6讲多项逻辑回归
(1)多项Logit
(2)Python案例:识别玻璃类别

第7讲朴素贝叶斯
(1)朴素贝叶斯(Naive Bayes)
(2)拉普拉斯修正(Laplacian Correction)
(3)Python案例:垃圾邮件的识别

第8讲惩罚回归
(1)高维回归的挑战
(2)岭回归(Ridge Regression)
(3)套索估计(Lasso)
(4)弹性网估计(Elastic Net)
(5)Python案例:前列腺癌的影响因素

第9讲K近邻法
(1)回归问题的K近邻法
(2)分类问题的K近邻法
(3)Python案例:摩托车撞击实验数据;鸢尾花品种的归类;威斯康辛乳腺癌的诊断

第10讲决策树
(1)分类树(Classification Tree)
(2)分裂准则(错分率、基尼指数、信息熵)
(3)成本复杂性修枝
(4)回归树(Regression Tree)
(5)Python案例:波士顿房价;葡萄牙银行市场营销

第11讲随机森林
(1)集成学习(Ensemble Learning)
(2)装袋法(Bagging)
(3)随机森林(Random Forest)
(4)变量重要性(Variable Importance)
(5)偏依赖图(Partial Dependence Plot)
(6)Python案例:波士顿房价;声呐信号的分类

第12讲提升法
(1)自适应提升法 (AdaBoost)
(2) AdaBoost的统计解释
(3)梯度提升法 (Gradient Boosting Machine)
(4) XGBoost算法
(5)Python案例:波士顿房价;过滤垃圾邮件;识别玻璃类别

第13讲支持向量机
(1)最大间隔分类器(Maximal Margin Classifier)
(2)软间隔分类器(Soft Margin Classifier)
(3)支持向量机(Support Vector Machine)
(4)核技巧(Kernel Trick)
(5)支持向量回归(Support Vector Regression)
(6)Python案例:模拟数据;过滤垃圾邮件;识别手写数字;波士顿房价

第14讲人工神经网络
(1)人工神经网络的思想
(2)感知机(Perceptron)
(3)前馈神经网络(Feedforward Neural Network)
(4)激活函数(Activation Function)
(5)反向传播算法(Back-propagation Algorithm)
(6)随机梯度下降(Stochastic Gradient Descent)
(7)神经网络的过拟合与正则化
(8)卷积神经网络(Convolution Neural Network)
(9)深度学习的发展
(10)Python案例(sklearn与Keras):波士顿房价;过滤垃圾邮件;模拟数据;路透社新闻主题分类,手写数字数据集MNIST

第15讲(Bonus Lecture)机器学习在经管及社科的应用
精读几篇在经管社科顶刊发表的经典机器学习论文

远程班:
机器学习线上课程(30小时):


第一部分:机器学习学术应用介绍:

机器学习基本思想
常用机器学习算法模型
机器学习算法库介绍
机器学习在学术领域应用场景

第二部分:算法原理与实战

1、KNN算法:
KNN算法基本原理
常用相似度衡量方法、KNN用于分类和回归
KNN模型参数优化
Python案例:KNN用于鸢尾花数据集分类

2、决策树:
决策树基本原理
决策树分类
决策树用于分类和回归实现
决策树参数优化
Python案例:决策树实现波士顿房价预测

3、线性回归:
线性回归的求解、岭回归、LASSO和弹性网
Python案例:线性回归实现鲍鱼年龄预测

4、逻辑 回归:
逻辑回归基本原理
从线性回归到逻辑回归
逻辑回归实现和参数优化
Python案例:逻辑回归实现病马死亡率预测

5、神经网络:
神经网络基础
神经网络中的激活函数
神经网络Python实现与参数调优
Python案例:手写数字识别

6、贝叶斯网络:
贝叶斯分类原理
朴素贝叶斯
贝叶斯模型分类
Python案例:垃圾邮件过滤

7、支持向量机:
支持向量机分类原理
线性SVM和非线性SVM
Python案例:人脸识别

8、随机森林:
决策树与随机森林
随机森林原理
随机森林Python实现与参数调优
Python案例:随机森林用于泰坦尼克沉船预测

9、聚类:
聚类原理
聚类和分类
k-means聚类原理
k-means python实现
Python案例:聚类用于客户价值识别

第三部分:Python机器学习学术应用指导

数据发现与变量创造,预测,因果推断;
文本大数据应用;
基于机器学习的学术论文写作指导

机器学习进阶课程
(4天远程+录播回放):


一、 集成学习介绍与应用(8小时)
1. 集成学习的优势
2. 集成学习常用算法介绍:原理与实现
Ÿ随机森林
Ÿadaboost
ŸGBDT
ŸXgboost
ŸStacking
3. 集成学习算法的学术应用

二、 高级特征工程处理技术(8小时)
1、 特征工程的重要性
2、 常用特征工程处理技术:
Ÿ特征选择
Ÿ特征构造
Ÿ特征转换
Ÿ特征学习
3、 特征工程的在学术研究中的应用

三、 神经网络与深度学习(8小时)
1、 神经网络的引入,为什么需要深度学习?
2、 深度学习常用模型介绍与应用:
Ÿ卷积神经网络与图像处理
Ÿ循环神经网络与文本分析
Ÿ多模态网络与应用
3、 深度学习在学术研究中的应用:
Ÿ股票市场预测
Ÿ信用风险评估
Ÿ资产定价

课程费用

机器学习5天现场课程:6000元
机器学习30小时线上课程:4000元;
机器学习进阶暑期课程:4200元
提供电子版发票及开课通知,结业证书

优惠信息

同时购买两门课程,可以全部九折优惠;
老学员九折优惠;
折扣优惠不叠加。

报名咨询

尹老师

电话:13301322952

QQ:42884447

WeChat:jg-xs6

欢迎预约7月5日陈远祥老师关于机器学习学术的专题直播课~!


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/136296
 
153 次点击