https://www.julyedu.com/course/getDetail/110
预习阶段 机器学习中的数学基础
- 知识点1:微积分的基本概念
- 知识点1:概率论简介
- 知识点1:线性代数基础
- 知识点1:凸优化简介
第一阶段 掌握基本模型 打开ML大门
- 知识点1:线性回归
- 知识点2:logistic回归
- 知识点3:梯度下降
- 知识点4:实际工程海量数据下的logistic回归使用
- 实战项目:分布拟合与回归、用LR分类与概率预测
- 实战项目:用LR完成Kaggle比赛迈开第一步
- 知识点1:不同类型的分类树模型
- 知识点2:决策树回归
- 知识点3:树模型过拟合与优化
- 知识点4:使用随机森林进行数据分类
- 知识点5:Bagging
- 知识点6:随机森林
- 实战项目:信用卡欺诈检测
- 知识点1:线性可分支持向量机、线性支持向量机
- 知识点2:非线性支持向量机
- 知识点3:SMO
- 实战项目:使用SVM进行数据分类
- 知识点1:熵、相对熵、信息增益
- 知识点2:最大熵模型、IIS、GMM
第二阶段 重中之重 特征工程
- 知识点1:数据清洗、异常点处理
- 知识点2:特征抽取、选择与组合策略
- 实战项目:特征处理与特征选择模板
- 知识点1:机器学习问题场景分析、算法选择
- 知识点2:模型构建、模型性能分析与优化策略
- 实战项目:构建模型组合策略工具与模板
第三阶段 工业实战 在实战中掌握一切
- 知识点1:sklearn板块介绍
- 知识点2:sklearn完成数据预处理与特征工程
- 知识点3:建模流水线搭建
- 实战项目:经典Titanic案例,商品销量预测案例等
- 知识点1:xgboost使用方法与高级功能
- 知识点2:lightGBM使用方法与高级功能
- 实战项目: Titanic与商品销量预测进阶,Kaggle案例实战
- 知识点1:推荐系统与评估
- 知识点2:基于内容的推荐
- 知识点3:基于近邻的推荐--协同过滤
- 知识点4:隐语义模型
- 实战项目:从头手写搭建协同过滤与隐语义模型推荐
- 实战项目:基于scikit-surprise的推荐系统
- 知识点1:K-means/K-Medoid
- 知识点2:层次聚类
- 知识点3:GMM
- 实战项目:K-means/GMM代码实现和实际应用分析
- 实战项目:基于用户聚类的推荐系统
- 实战项目:推荐系统比赛案例(数据、代码)
第四阶段 高阶知识 深入机器学习
- 知识点1:朴素贝叶斯
- 知识点2:有向分离
- 知识点3:马尔科夫模型
- 知识点1:概率计算问题
- 知识点2:参数学习问题
- 知识点3:状态预测问题
- 实战项目:使用HMM进行中文分词
- 知识点1:pLSA
- 知识点2:共轭先验分布
- 知识点3:LDA
- 实战项目:使用LDA进行文档分类
第五阶段 迈入深度学习 打开DL大门
- 知识点1:全连接神经网络
- 知识点2:反向传播算法与权重优化
- 知识点3:训练注意点
- 知识点4:通用混合神经网络模板
- 实战项目:手写神经网络解决非线性切分问题
- 知识点1:卷积神经网络结构分析
- 知识点2:过拟合与随机失活
- 知识点3:卷积神经网络理解
- 知识点4:典型网络结构详解
- 实战项目:利用ResNet与inception解决一般图像分类问题套路
- 知识点1:循环神经网络
- 知识点2:长时依赖问题与长短时记忆网络
- 知识点3:BPTT算法
- 实战项目:利用循环神经网络生成文本作诗
- 知识点1:Caffe应用要点
- 知识点2:TensorFlow/Keras简介
- 实战项目:用神经网络完成图像分类与特征提取
- 实战项目:用Keras构建文本情感分析模型