登录
¥
支付方式
请使用微信扫一扫 扫描二维码支付
请使用支付宝扫一扫 扫描二维码支付
机器学习算法与实战基础入门
开通会员，立省200元
立即开通
本课程主要着重于机器学习理论的数学推导，对涉及到的数学概念进行讲解，对算法的实现给出详细的推导过程，对于算法中涉及到的数学知识进行讲解分析，数学理论深度上满足机器学习算法工程师要求。
【开课时间 】
►求知
项目实战
课程详解每个知识点，结合每节课实训项目，讲师提供课件代码，学员实训完成作业，理论与实践结合，高效掌握课程内容；
辅助学习
全程有班主任学习进度督促+上课签到+作业安排，管理规范，辅助学习，尽最大程度保障学习效果；
疑难解答
组建学员答疑社群，群内有资深讲师、达人助教即时解答课程疑难，辅以周末安排讲师直播答疑，与每位学员实时互动；
学习激励
学习期间，根据50%平时表现+30%作业完成度+20%分享精神，表现优异者，可在指定学习课程（价值699元）中任意选择一门免费继续学习；
►求职
简历优化
根据集训营实战项目，将涉及到的关键知识点和项目经历优化到您的简历中；
岗位内推
AI慕课学院联手雷锋网，资源涵盖国内多家500强企业，匹配学员就业与岗位需求，为学员提供岗位信息推荐与简历内推福利；
- 大脑和神经元
- Hebb法则
- McCulloch and Pitts神经元
- McCulloch and Pitts神经元模型的限制
- 神经网络
- 感知机
- 线性分类
- 线性回归
算法编程实践：感知机算法实现
- 前向传播
- 误差的后向传播（bp算法）及其公式推导
算法编程实践:多层感知机的实现
3.1线性判别分析(LDA)
3.2 主成分分析（PCA）
4.1 优化分离
4.2 核函数
4.3 支持向量机算法
4.4 支持向量机扩展
编程实践：SVM算法实现
5.1朴素贝叶斯方法
5.2 最近邻法
5.3 高斯混合模型
编程实践：贝叶斯算法实现
6.1 决策树构建
6.2 分类和递归树(CART)
编程实践：决策树算法实现
7.1 Boosting
7.2 Bagging
7.3 随机森林(RF)
编程实践: GBDT的实现
8.1 k平均算法(K-means Algorithm)
8.2 向量量化(Vector Quantisation)
8.3 自组织特征映射图(Self-organising feature map)
9.1 取样
9.2 蒙特卡洛方法
9.3 提议分布(Proposal distribution)
9.4 马尔科夫蒙特卡洛方法
10.1 神经网络
10.2 卷积神经网络
实践项目:从零开始进行卷积神经网络的编程实践
11.1概率无向图模型
11.2条件随机场的定义
11.3条件随机场的概率计算问题
11.4 条件随机场的学习算法
11.5 条件随机场的预测算法
- 以机器学习各种算法为目标，在推导算法的过程中，进行相关数学理论的讲解
- 本课程主要涉及以下机器学习算法：逻辑回归，K邻近法，主成分分析（PCA），朴素贝叶斯法，决策树，支持向量机（SVM），Boost方法，隐马尔科夫模型，感知机模型，神经网络（NN），卷积神经网络CNN
- 课程目标是掌握以上机器学习算法的数学推导理论和算法实现
- 有一定的编程能力，对数据结构有较好理解，机器学习零基础及初学入门人员
- 需要补充机器学习的基本算法理论的相关人员
相关课程
授课教师
客服1
官方群