免费
已有7212人观看
免费
已有7198人观看
免费
已有6800人观看
免费
已有6754人观看
免费
已有6624人观看
免费
已有6621人观看
免费
已有6233人观看
免费
已有6100人观看
【前置视频课程】 1-机器学习中的Python |
【课程内容】构建Python环境、基本语法、数据预处理、可视化、完整实例与练习. 【课程目标】Python环境搭建与其基础语法的学习,熟悉列表元组等基础概念与python函数的形式,Python的IO操作,Python中类的使用介绍,python使用实例讲解机器学习领域的经典算法、模型及实现的任务等,同时学习搭建和配置机器学习环境,并学会用线性回归解决一个实际问题。 |
【前置视频课程】 2-人工智能数学基础 |
【课程内容】数学概念(函数与导数、线性代数与矩阵、概率分析)、程序与概念(算法推导与实现)、程序实践、课后实践。 【课程目标】熟悉数学中的符号表示,理解函数求导以及链式求导法则,理解数学中函数的概念,熟悉矩阵相关概念以及数学表示。将数学概念与程序基础联系起来;梯度下降实例讲解; |
【前置视频课程】 3-机器学习概念与入门 |
【课程内容】人工智能概念、获取数据与特征工程、模型训练。 【课程目标】解释人工智能中涉及到的相关概念。了解如何获取数据以及特征工程。熟悉数据预处理方法。理解模型训练过程。熟悉pandas的使用。了解可视化过程;Panda使用讲解;图形绘制; |
入学考试:通过考试后正式进入人工智能学习阶段 | |
【第一阶段】 4-人工智能总览、应用与前沿 |
【课程内容】人工智能技术和应用场景的介绍。常见人工智能的算法,主流的应用构建 方法。主流机器学习框架介绍,针对机器学习场景能够更好的应用相关工具进行分析与处理。 【实战部分】鸢尾花分类实战、分类预测实战、回归预测实战。 【课程目标】 人工智能技术和应用场景的全面了解,形成系统化的人工智能技术栈。主流机器学习框架介绍,针对机器学习场景能够更好的应用相关工具进行分析与处理;通过实例对人工智能分析方法和流程有直观了解,为后续课程打下基础。 |
【第一阶段】 5-机器学习的数学基础-数学分析 |
【课程内容】将复杂的数学理论进行梳理,将机器学习中用到的数学基础由浅入深进行详细的梳理与讲解。主要涉及矩阵、导数、概率相关内容。 【实战部分】手写识别实战、文本降维实战。 【课程目标】 掌握和了解人工智能技术底层数学理论支撑;概率论,矩阵和凸优化的介绍,相应算法设计和原理;凸优化理论,流优化手段 SGD,牛顿法等优化方法。 |
【第一阶段】 6-特征工程和结果可视化 |
【课程内容】主流python数据预处理库、原始数据特征构建。特征选择、构建新特征,缺失值填充等特征工程方法。 【实战部分】Scikit-learn 特征工程,网格搜索, 超参数调优。泰坦尼克求生预测 【课程目标】了解和掌握主流python数据预处理库,通过工具能够对原始数据进行特征构建。 |
【第二阶段】 7-深度学习框架TensorFlow |
【课程内容】作为深度学习主流分析框架 Tensorflow,通过掌握 Tensorflow 基本概念,计算模型和原理,能够通过 Tensorflow 进行深度学习和模型构建与训练。学习掌握训练过程优化方法与问题优化。 【实战部分】图片分类实战、贷款欺诈预测 【课程目标】了解及学习变量作用域与变量命名。搭建多层神经网络并完成优化。)正则化优化神经网络。梯度问题与解决方法。 |
【第二阶段】 8-决策树与随机森林 |
【课程内容】决策树算法的原理,度量指标和算法变种。掌握和了解 GBDT,AdaBoost,随机森林等集成学习模型的原理和集成学习算法。 【实战部分】鸢尾花分类实战、金融反欺诈预测 【课程目标】了解和掌握决策树算法的原理,度量指标和算法变种。 掌握和了解随机森林和,GBDT等集成学习模型的原理和集成学习算法。应用XGboost,通过GBDT算法完成预测实例,加深对算法和实战的融合。 |
【第二阶段】 9-分类算法 |
【课程内容】了解和掌握 KNN 、SVM及朴素贝叶斯算法原理。 熟悉集成学习(Bagging、Boosing)对于分类算法的优化过程。掌握数据降维方法应用。 【实战部分】手写图形数据降维与分类、文本向量化实战、文本分类实战 【课程目标】掌握常用分类算::KNN、SVM、NaiveBayes、Bagging、Boosting。熟悉分类算法调参关键参数。掌握不同分类算法的过拟合、欠拟合情景与调优。掌握集成学习调优。通过实例对于调参过程进行深入理解.了解不同算法的共性与个性。 |
【第二阶段】 10-回归算法 |
【课程内容】主流回归模型,线性回归,逻辑回归 LR 及其变种和扩展算法。 梯度下降,牛顿法, 拟牛顿法 LBFGS 等优化方法,逻辑回归最优化问题的求解。 【实战部分】波士顿房价预测、股票预测回归实战。 【课程目标】掌握和学习主流回归模型,线性回归,逻辑回归及其变种和扩展算法。了解和掌握通过梯度下降,牛顿法, 拟牛顿法等最优化方法进行逻辑回归最优化问题的求解。通过实例掌握如何应用逻辑回归等回归算法。 |
以上所公布大纲仅占课程总体的30%,其余70%的内容,请联系客服获取。 |