??AI人工智能和机器学习??
AI人工智能和机器学习
**具想象力的方向,是当下**火热的技术,李开复强烈推崇。 今日头条的
个性化推荐为什么那么精准,抖音为什么让人着迷,里面的推荐算法起到了很重要的作用。 本方向将会学习常用的机器学习算法,可以与 pyhton数据
分析方向结合学习,成为更加抢手的人工智能工程师
01线性回归算法
回归算法数学原理推导,公式含义形象解读,从零开始推导线性回归算法的
由来以及求解方法。
· 概述
· 误差项分析
· 似然函数求解
· 目标函数推导
· 线性回归求解
02梯度下降原理
本课程简介绍梯度下降原理,下降方法对比,等等从0开始
· 梯度下降原理
· 梯度下降方法对比
· 学习率对结果的影响
03逻辑回归算法
本课程讲解逻辑回归算法原理,和逻辑回归算法求解
· 逻辑回归算法原理推导
· 逻辑回归求解
04Python实现逻辑回归与梯度下降
本课程**几个案例来详细展示python实现逻辑回归任务概述。
· 概述
· 完成梯度下降模块
· 停止策略与梯度下降案例
· 实验对比结果
05使用Python分析科比生涯数据
本课程是机器学习实战课程,为大家介绍的是使用Python分析科比生涯数据
,以帮助大家更好的掌握相关机器学习理论知识,同时将理论应用于具体的实践
· 科比数据集简介
· 数据预处理
· 建模
06案例实战-信用卡欺诈检测
本课程为人工智能案例实战课程,主要是使用前面学习的内容做信用卡欺诈
检测的实操,将理论应用于实战,帮助大家更好掌握相关知识
· 案例背景和目标· 样本不均衡解决方案
· 下采样策略· 交叉验证
· 模型评估方法· 正则化惩罚
· 逻辑回归模型· 混淆矩阵
· 逻辑回归阈值对结果的影响
· SMOTE样本生成策略
07算法:决策树
本课程将详细介绍决策树的组成,剪枝,衡量标准。等从0开始。
· 决策树概述
· 衡量标准熵
· 决策树构造实例
· 信息增益率
· 决策树剪枝策略
08决策树Sklearn实例
本课程将详细介绍决策树的参数,和可视化,sklearn库的介绍和参数选择
。
· 决策树复习
· 决策树涉及参数
· 决策树构造实例
· sklearn参数选
09算法:随机森林与集成算法
本课程将介绍集成算法-随机森林详细介绍特性重要性衡量/提升模型和堆叠
模型。
· 集成算法 随机森林
· 特征重要性衡量
· 提升模型
· 堆叠模型
10Kaggle竞赛案例-泰坦尼克获救预测
Kaggle竞赛案例——泰坦尼克获救预测 Kaggle是由联合创始人、首席执行
**安东尼·高德布卢姆(Anthony Goldbloom)2010年在墨尔本创立的,主要为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享
代码的平台。本课程详细讲解,数据预处理,回归模型,随机森林,特征选择。
· 数据介绍
· 数据预处理
· 回归模型
· 随机森林模型
· 特征选择
11贝叶斯算法
本课程主要是贝叶斯算法原理讲解,基于实例演示如何用贝叶斯算法完成实
际的任务,希望帮助初学者更好理解贝叶斯算法
· 贝叶斯算法概述
· 贝叶斯推导实例
· 贝叶斯拼写纠错实例
· 垃圾邮件过滤实例
· 贝叶斯实现贫拼写检查器
12案例:Python文本数据分析
本课程将**对文本分析关键词提取,相似度计算,**后使用贝叶斯算法进
行新闻分类
· 文本分析与关键词提取
· 相似度计算
· 新闻数据与任务简介
· 4TF-IDE关键词提取
· LDA建模
· 基于贝叶斯算法进行新闻分类
13KMEANS聚类
本课程详细介绍KMEANS算法原理,工作流程迭代可视法展示,帮助新手快速
入门。
· KMEANS算法概述
· KMEANS工作流程
· KMEANS迭代可视法展示
14DBSCAN聚类
本课程详细介绍DBSCAN聚类算法及工作流程和迭代可视法展示。帮助新手快
速入门。
· DBSCAN工作流程
· DBSCAN聚类算法
· DBSCAN迭代可视法展示
15案例:聚类实践
本课程聚类案实例实战简介。
· 多种聚类算法概述
· 聚类案例实例
16算法:线性支持向量机
本课程介绍支持向量机要解决的问题,距离与数据的定义,支持向量的作用
等。帮助同学们快速掌握支持向量机的使用和原理。
· 支持向量机要解决的问题
· 距离与数据的定义
· 目标函数
· 目标函数求解
· SVM求解
· 支持向量的作用
17非线性支持向量机
本课程简单介绍,非线性支持向量机软间间隔问题,SVM核变换 。
· 软间隔问题
· SVM核变
18算法:推荐系统
本课程详细介绍推荐系统的应用,任务及实现原理,帮助同学们快速掌握推
荐系统相关技术
· 开场· 推荐系统应用
· 推荐系统要完成的任务· 相似度计算
· 基于用户的协同过滤· 基于物品的协同过滤
· 隐语义模型
· 隐语义模型求解
· 模型评估标准
19案例:推荐系统实践
本课程介绍Surprise库的使用,帮助同学快速掌握使用Surorise库来实现推
荐系统
· Surprise库与数据简介
· Surprise库使用方法
· 得出推荐商品结果
20案例:SVM实践
本课程介绍sklearn求解支持向量机,SVM参数选择,帮同学们理解
SVM.
· sklearn求解支持向量机
· SVM参数选择
21算法:时间序列AIRMA模型
本课程详细介绍ARIMA模型,相关函数评估方法,建立ARIMA模型,和参数选
择。帮助同学们快速理解时间序列AIRMA模型。
· 数据平稳性与差分法
· ARIMA模型
· 相关函数评估方法
· 建立ARIMA模型
· 参数选择
22案例:时间序列预测任务
本课程介绍pandas相关使用,tsfresh库的使用,股票预测案例,报表可视
化等。帮助同学们掌握 时间序列预测的相关知识。
· Padhas生成时间序列· Padhas数据重采样
· Padhas滑动窗口· 股票预测案例
· 使用tsfresh库进行分类任务
· 维基百科词条EDA
· 多特征之间关系分析
· 报表可视化分析
· 红牌和肤色的关系
23算法:Xgboost提升算法
本课程详细介绍Xgboost算法的使用,及关系可视化展示。
· Xgboost算法概述
· Xgboost模型构造
· Xgboost建模衡量标准
· 峰度与偏度
· 数据对数变换
· 数据分析维度
· 变量关系可视化展示
24案例:Xgboost调参实例
本课程详细介绍Xgboost的使用,帮助同学们快速掌握Xgboost的使用。
· Xgboost安装· 保险赔偿任务概述
· Xgboost参数定义· 基础模型定义
· 树结构对结果的影响· 学习率与采样对结果的影响
· Hierachical Softmax· CBOW模型实例
· CBOW求解目标
· 锑度上升求解
· 负采样模型
25计算机视觉挑战
本课程介绍深度学习背景, 用K近邻来进行分类 ,超参数与交叉验证,来
带领同学们走进深度学习的神奇世界。
· 深度学习概述
· 挑战与常规套路
· 用K近邻来进行分类
· 超参数与交叉验证
26神经网络必备基础知识点
本课程介绍神经网络必备基础知识点,为后面的机器学习打下坚实的基础。
· 线性分类
· 损失函数
· 正则化惩罚
· softmax分类器
27**优化与反向传播
本课程介绍**优化和反向传播。
· **优化形象解读
· **优化问题细节
· 反响传播
28神经网络整体架构
本课程介绍神经网络的架构,**实例演示,帮助同学们快速掌握神经网络
架构,为以后打下坚实基础。
· 整体架构
· 实例演示
· 过拟合解决方案
29案例实战CIFAR图像分类任务
本课程**案例详细讲解cifar图像分类任务,帮助同学,快速,深入的理
解cifar图像分类任务。
· cifar分类任务
· 分模块构造神经网络
· 训练神经网络完成分类任务
· 感受神经网络的强大
30语言模型
本课程介绍自然语言处理与深度学习,语言模型等知识,带领同学们快速入
门。
· 开篇
· 自然语言处理与深度学习
· 语言模型
· N-gram模型
· 词向量
· 神经网络模型
31自然语言处理
本课程讲解 CBOW模型实例及求解目标等相关知识点,让同学们尽快掌握相
应技术。
· Hierarchical Softmax
· CBOW模型实例
· CBOW求解目标
· 锑度上升求解
· 负采样模型
32使用word2vec进行分类任务
本课程**影评情感分类项目,带领大家掌握基于词袋模型训练分类器,
word2vec输入数据等技术。
· 影评情感分类
· 基于词袋模型训练分类器
· 准备word2vec输入数据
· 使用gensim构建word2vec词向量
33Gensim中文词向量建模
本课程介绍使用Gensim库构造词向量,维基百科中文数据处理,Gensim构造
word2vec模型和测试模型相似度结构。帮助各位同学快速掌握相关知识点。
· 使用Gensim库构造词向量
· 维基百科中文数据处理
· Gensim构造word2vec模型
· 测试模型相似度结果
34Tensorflow框架
TensorFlow,以下简称TF,是Google去年发布的机器学习平台,发布以后由
于其速度快,扩展性好,推广速度还是蛮快的。江湖上流传着Google的大战略,Android占领了移动端,TF占领神经网络提供AI服务,未来的趋势恰好
是语音图像以及AI的时代,而Google IO上发布的Gbot似乎正是这一交叉领域的初步尝试。
· 安装· 变量
· 变量训练· 线性回归模型
· 逻辑回归框架· 逻辑回归迭代
· 神经网络模型· 完成神经网络
· 卷积神经网络模型· 卷积神经网络参数
35Mnist手写字体识别
本课程将介绍神经网络模型概述,tensorflow参数,卷积简介,构造网络结
构,训练网络模型等知识
· 神经网络模型概述
· tensorflow参数
· 卷积简介
· 构造网络结构
· 训练网络模型
36机器学习套路与BenchMark
本课程介绍HTTP检测任务与数据挖掘的核心以及BenchMark的作用,帮助同
学们快速掌握相关知识。
· HTTP检测任务与数据挖掘的核心
· 论文的重要程度
· BenchMark概述
· BenchMark的作用
37案例:探索性数据分析-赛事数据集分析
本课程**实际案例讲解数据分析的各个知识点,生动形象帮助同学记忆。
· 开场· 数据背景介绍
· 数据读取与预处理· 数据切分模块
· 缺失值可视化分析· 特征可视化展示
· 多特征之间的关系分析· 报表可视化分析
· 红牌和肤色的关系
38案例:探索性数据分析-农粮数据分析
本课程**实际案例讲解数据分析,数据可视化,提高同学们的学习热情。
· 数据背景简介
· 数据切片分析
· 单变量分析
· 峰度与偏度
· 数据对数变换
· 数据分析维度
· 变量关系可视化展示