Py学习  »  机器学习算法

从概念到案例,机器学习应该掌握的20个知识点

数据与算法之美 • 6 年前 • 451 次点击  


随着科技的发展,计算机对人类的生产活动和社会活动产生了极为重要的影响,同时以强大的生命力飞速发展着。目前计算机正广泛用于社会各个领域,并朝着微型化、网络化、智能化和巨型化的方向前进。


说到智能化,大家最先想到的应该就是阿尔法狗吧。没错,阿尔法狗作为第一个击败人类围棋冠军的人工智能程序,就是智能化计算机的表现,而它的主要工作原理就是深度学习。


柯洁对战alphago

那么,深度学习究竟是什么呢?它能做什么呢?今天,超模君并不打算在此详细介绍,而是介绍深度学习的上级领导——机器学习


机器学习作为人工智能的核心,是一门多领域的交叉学科,专门研究计算机模拟或实现人类学习行为的方法,以获取新的知识或技能,重新组织已用的知识结构使之不断改善自身的性能。


最简单而言,机器学习就是优化数学方程式的过程。但在实际生活中,机器学习已经在金融、科研等领域蓬勃发展。


比如,就金融来说

可以通过爬虫技术获取股票数据,

可以通过文字信息进行文本分析,

可以搭建回测系统,

可以开发交易平台。


那么,怎么才能更好地掌握机器学习,最高效的学习路径应该是什么样的呢?


在这,必须先要介绍一下2017年编程语言排行榜首位的Python。Python是一门易读、易维护,用途广泛的编程语言,同时也是时下最火的人工智能语言。想要掌握机器学习,需从掌握Python做起。


为此,超级数学建模携手唐宇迪老师以Python为基础,为你带来实用度与趣味度满分的《Python机器学习实战》课程!


作为机器学习的入门基础课程,并没有只是灌输大量理论,而是循序渐进,从基础知识结合操作讲起,再进阶提升,最后结合案例进行实战训练。


因此,该课程不但适合数学分析、机器学习等爱好者和相关科研工作者,还适合编程零基础的小伙伴参与学习。课后唐老师还会及时跟踪答疑。


即便是纯小白,超模君相信学习该课程不会有太大的压力。


关 于 课 程 详 情


【课程信息】


「 学习平台 」

腾讯课堂


「 上课形式 」

课程均为录播视频


「 学习周期 」

建议每周至少学习2小时,一个月内可完成一遍


「 面向人群 」

人工智能、机器学习、深度学习爱好者、

科研工作者、数据分析爱好者

零基础的小白、负基础的小白白


「 答疑形式 」

学习群老师随时答疑,即便是最初级的问题


「 课程资料 」

知识总结、操作详解、案例实战、课后拓展


「 课程福利 」

课程优惠活动 


为了更好地说明课程内容,现将详细章节附上。


课程章节较多,可滚动查看详情

第一章  AI时代人工智能入学指南

  1. AI时代首选Python

  2. Python我该怎么学 

  3. 人工智能的核心机器学习 

  4. 机器学习怎么学? 

第二章 Python快速入门

  1. 系列课程环境配置                           

  2. Python快速入门                                       

  3. 变量类型      

  4. List基础            

  5. List索引                

  6. 循环结构                        

  7. 判断结构                  

  8. 字典                 

  9. 文件处理     

  10. 函数基础

第三章 Python工具:科学计算库Numpy

  1. Numpy数据结构 

  2. Numpy基本操作   

  3. Numpy矩阵属性         

  4. Numpy矩阵操作        

  5. Numpy常用函数

第四章 Python工具:数据分析处理库Pandas

  1. Pandas数据读取                             

  2. Pandas数据预处理                         

  3. Pandas常用函数                         

  4. Pandas.Series结构

第五章 Python工具:可视化库Matplotlib

  1. Matplotlib.折线图                           

  2. Matplotlib.子图操作                       

  3. Matplotlib.条形图与散点图             

  4. Matplotlib.柱形图与盒图               

  5. Matplotlib.细节设置

第六章 算法:线性回归算法

  1. 线性回归算法概述           

  2. 误差项分析                      

  3. 似然函数求解                      

  4. 目标函数推导                    

  5. 线性回归求解                           

  6. 梯度下降原理                    

  7. 梯度下降方法对比

第七章 算法:梯度下降原理

  1. 梯度下降原理     

  2. 梯度下降方法对比         

  3. 学习率对结果的影响

第八章 算法:逻辑回归算法

  1. 逻辑回归算法原理推导             

  2. 逻辑回归求解

第九章 案例:Python实现逻辑回归与梯度下降

  1. 案例:Python实现逻辑回归任务概述 

  2. 案例:完成梯度下降模块         

  3. 案例:停止策略与梯度下降案例      

  4. 案例:实验对比效果

第十章 案例:使用Python分析科比生涯数据

  1. 科比数据集简介                   

  2. 数据预处理     

  3. 建模

第十一章 案例:信用卡欺诈检测

  1. 案例背景和目标                   

  2. 样本不均衡解决方案             

  3. 下采样策略                      

  4. 交叉验证                 

  5. 模型评估方法             

  6. 正则化惩罚    

  7. 逻辑回归模型    

  8. 混淆矩阵                   

  9. 逻辑回归阈值对结果的影响  

  10. SMOTE样本生成策略

第十二章 算法:决策树

  1. 决策树原理概述                        

  2. 衡量标准.熵                          

  3. 决策树构造实例                       

  4. 信息增益率                            

  5. 决策树剪枝策略

第十三章 决策树Sklearn实例

  1. 决策树复习                         

  2. 决策树涉及参数     

  3. 树可视化与sklearn库简介     

  4. sklearn参数选择

第十四章 算法:随机森林与集成算法

  1. 集成算法.随机森林     

  2. 特征重要性衡量       

  3. 提升模型            

  4. 堆叠模型

第十五章 案例:Kaggle竞赛案例:泰坦尼克获救预测

  1. 数据介绍                         

  2. 数据预处理   

  3. 回归模型                       

  4. 随机森林模型      

  5. 特征选择

第十六章 算法:线性支持向量机

  1. 支持向量机要解决的问题     

  2. 距离与数据的定义            

  3. 目标函数                    

  4. 目标函数求解                 

  5. SVM求解实例                

  6. 支持向量的作用

第十七章 非线性支持向量机

  1. 软间隔问题               

  2. SVM核变换

第十八章 支持向量调参实战

  1. sklearn求解支持向量机  

  2. SVM参数选择

第十九章 计算机视觉挑战

  1. 深度学习概述       

  2. 挑战与常规套路               

  3. 用K近邻来进行分类

  4. 超参数与交叉验证

第二十章 神经网络必备基础知识点

  1. 线性分类                  

  2. 损失函数                         

  3. 正则化惩罚项     

  4. softmax分类器

第二十一章 最优化与反向传播

  1. 最优化形象解读    

  2. 最优化问题细节              

  3. 反向传播

第二十二章 神经网络整体架构    

  1. 整体架构      

  2. 实例演示          

  3. 过拟合解决方案    

第二十三章 案例实战CIFAR图像分类任务 

  1. cifar分类任务  

  2. 分模块构造神经网络   

  3. 训练神经网络完成分类任务      

  4. 感受神经网络的强大    

第二十四章 Tensorflow框架    

  1. 变量 

  2. 变量练习        

  3. 线性回归模型   

  4. 逻辑回归框架     

  5. 逻辑回归迭代       

  6. 神经网络模型     

  7. 完成神经网络   

  8. 卷积神经网络模型   

  9. 卷积神经网络参数    

  10. 安装tensorflow    

第二十五章 Mnist手写字体识别    

  1. 神经网络模型概述  

  2. tensorflow

  3. 数             

  4. 卷积简介  

  5. 构造网络结构

  6. 训练网络模型    

第二十六章 PCA降维操作与SVD矩阵分解    

  1. PCA问题                     

  2. PCA降维实例    

  3. SVD

  4. 理                     

  5. SVD推荐系统    

第二十七章 聚类与集成算法  

  1. 聚类算法                

  2. Adaboost集成算法 

  3. 特征工程(1)          

  4. 特征工程(2)   

第二十八章 机器学习业务流程   

  1. HTTP检测任务与数据挖掘的核心  

  2. 论文的重要程度     

  3. BenchMark概述    

  4. BenchMark的作用    


关 于 学 习 资 料


或许你已经收藏了很多学习干货,但超模君还是很想帮你节约总结干货的时间,以便你可以把更多的时间用于学习与实战。


因此,本次课程主要包含四个方面:

1.默认你是个小白,课程从基础知识讲起,课后提供相应的资料;

2.课程中会对涉及的知识理论操作流程进行总结,让你牢记于心;

3.课程中涉及的课件代码,已提前上传,方便学习与实战;

4.课后提供海量实战案例,让你学以致用,增强实操能力。


解析如何运用机器学习来分析科比的运动生涯数据



科比运动生涯数据分析结果



关 于 授 课 老 师


对于唐老师,大家或许有点陌生。不担心,今天过后,你们都会熟悉他的。作为本次课程的主讲老师,他将自己多年的机器学习经验和Python使用技巧分享给大家。所以课程不仅是知识,还有思维和方法,你完全可以做到举一反三。



关 于 课 程 优 惠


优惠券

限量发放50元优惠券

后台回复机器学习即可领取


优惠券长期有效


长按下方二维码

添加小天微信

获取更多优惠


如有任何疑问和购买问题,请咨询助教

QQ:210187565

微信:cmdxt001


Python交流群:114109947

欢迎来撩~


-  更多实用课程推荐  -

点击 ☞ 数模论文中英文全面翻译,还有Matlab全面共享

点击 ☞ 巧用Python实现深度学习



今天看啥 - 高品质阅读平台
本文地址:http://www.jintiankansha.me/t/Iwp7P7M2W5
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/6542
 
451 次点击