课程大纲

课程介绍

覆盖数学基础、经典机器学习算法、机器学习理论、机器学习前沿、机器学习实战
基础:线性代数、概率论、数字信号处理等

第一章 机器学习简介


引言、基本术语、假设空间、归纳偏好、发展历程、应用现状


第二章 模型评估与选择


经验误差与过拟合、评估方法、性能度量与比较检验


第三章 线性模型


基本形式、线性回归、对数几率回归、线性判别分析、多分类学习、类别不平衡问题


第四章 决策树


基本流程、划分选择、剪枝处理、连续与缺失值、多变量决策树


第五章 神经网络


神经元模型、感知机与多层网络、误差逆传播算法、全局最小与局部极小、其他常见神经网络、深度学习


第六章 支持向量机


间隔与支持向量、对偶问题、核函数、软间隔与正则化、支持向量回归、核方法


第七章 贝叶斯分类器


贝叶斯决策论、极大似然估计、(半)朴素贝叶斯分类器、贝叶斯网、EM算法


第八章 集成学习模型(*)


个体与集成、Boosting、Bagging与随机森林、结合策略、多样性


第九章 聚类


聚类任务、性能度量、距离计算、原型聚类、密度聚类、层次聚类


第十章 降维与度量学习


K近邻学习、低维嵌入、主成分分析、核化线性降维、流形学习、度量学习


第十一章 特征选择与稀疏学习


子集搜索与评价、过滤式选择、包裹式选择、嵌入式选择与L_1正则化、稀疏表示与字典学习、压缩感知


第十二章 计算学习理论


基础知识、PAC学习、有限假设空间、VC维、Pademacher复杂度、稳定性


第十三章 半监督学习


未标记样本、生成式方法、半监督SVM、图半监督学习、基于分歧的方法、半监督聚类


第十四章 概率图模型


隐马尔可夫模型、马尔可夫随机场、条件随机场、学习与推断、近似推断、话题模型


第十五章 规则学习


基本概念、序贯覆盖、剪枝优化、一阶规则学习、归纳逻辑程序设计


第十六章 强化学习


任务与奖赏、K-摇臂赌博机、有模型学习、免模型学习、值函数近似、模仿学习


第十七章 增量学习


被动攻击学习、适应正则化学习、增量随机森林


第十八章 迁移学习


迁移学习简介、迁移学习的分类方法、代表性研究成果


第十九章 主动学习


主动学习简介、主动学习思想、主动学习VS半监督学习及Self_Learning


第二十章 多任务学习


使用最小二乘回归、分类的多任务学习


第二十一章 机器学习应用场景介绍


机器学习经典应用场景,头脑风暴:挖掘身边的应用场景


第二十二章 数据预处理


数据降噪、数据分割


第二十三章 特征提取


时域特征、频域特征、自动特征提取
[实战篇]


第二十四章 机器学习项目实战1


使用机器学习分类、机器学习调参、分类结果展示


第二十五章 机器学习项目实战2


020优惠券使用预测、鲍鱼年龄预测、机器恶意流量识别、根据用户轨迹进行精准营销


Talk is cheap. Show me the code