算法工程师
挑战独一无二的硅谷实战项目，在实操中完全掌握机器学习核心技能。你的代码将得到 AI 领域专家逐行审阅、反馈，通过此训练，你最高效率学习最先进的技术标准。
课程
2
课时
44
学习人数
2454
机器学习入门
从零开始掌握 Python 编程、线性代数及 Numpy、Pandas 等数据分析工具，搭建你的第一个图像识别神经网络。
- 课时1：神经元，神经网络及线性分类器 48:21
- 课时2：多层感知机(MLP) 70:16
- 课时3：降维技术 38:53
- 课时4：支持向量机(SVM) 49:32
- 课时5：概率学习 59:58
- 课时6：课程答疑1 50:09
- 课时7：决策树学习(DT) 46:51
- 课时8：课程答疑2：决策树代码教学（上） 37:39
- 课时9：课程答疑2：决策树代码教学（下） 35:20
- 课时10：集成学习(Ensemble learning) 46:49
- 课时11：非监督学习 38:12
- 课时12：马尔科夫链蒙特卡罗方法(Markov Chain Monte Carlo, MCMC) 65:07
- 课时13：卷积神经网络 53:04
- 课时14：条件随机场 67:05
- 第1 章 ： 机器学习必修之线性代数及矩阵论
-
免费
课时1：向量、矩阵简介，向量范数、矩阵范数
74:50
-
课时2：矩阵的运算、行列式
63:46
-
课时3：条件数，线性子空间，矩阵的正交化，矩阵求逆
68:50
-
课时4：线性方程式求解
61:54
-
课时5：讲师作业讲解与答疑
70:30
-
课时6：矩阵特征分解
68:33
-
课时7：矩阵的QR分解，LU分解
58:58
-
课时8：奇异值分解（SVD）及应用
46:15
-
课时9：矩阵微分，矩阵正定性
56:52
-
课时10：讲师作业讲解与答疑
30:08
- 第2 章 ： 机器学习必修之概率论与统计
-
课时11：随机试验，随机事件的关系及运算
39:42
-
课时12：事件的概率，条件概率
67:36
-
课时13：独立、条件独立，常见分布介绍
68:42
-
课时14：随机变量的分布函数，随机向量简介，条件分布，边缘分布
81:50
-
课时15：讲师作业讲解与答疑
50:09
-
课时16：期望、方差、协方差，大数定理，中心极限定理
80:22
-
课时17：统计量，矩估计，极大似然估计
100:24
-
课时18：先验分布，后验分布，共轭分布，贝叶斯估计、最大后验估计(MAP)
40:53
-
课时19：讲师作业讲解与答疑
44:10
- 第3 章 ： 机器学习必修之凸优化
-
课时20：机器学习与优化关系，凸集、凸函数简介
67:57
-
课时21：极值点、最值点、梯度、方向导数
73:07
-
课时22：约束问题的KKT条件
60:37
-
课时23：二分法、黄金分割法
34:17
-
课时24：讲师作业讲解与答疑
30:57
-
课时25：罚函数法
52:22
-
课时26：深度学习中的优化算法I(采用一阶导数方法):梯度下降法
40:31
-
课时27：深度学习中的优化算法II(采用二阶导数方法)
61:13
-
课时28：深度学习中的优化算法III
30:58
-
课时29：顶级期刊论文选讲：稀疏LDA算法
63:10
-
课时30：讲师作业讲解与答疑
30:45
客服1
官方群