【数据科学家学习小组】之统计学(第二期)

【数据科学家学习小组】之统计学(第二期)

0x00 前言

统计学的第一期顺利结束了,总参加人数:258人,恭喜大家的坚持!

应大家的要求,现在开启统计学的第二期!截止公众号发文,已有118位小伙伴报名,比我预想的100名已经超出。

本期学习小组将在第一期的基础上,做如下改进:

  1. 增加参考书目和公开课视频。每一周都有推荐学习的章节。
  2. 完善学习目录,更合理,实践内容更多,更可执行。
  3. 增加打卡机制,有监督了,更容易坚持。

0x01 简介

首先声明,这不是培训班,是学习小组,是组织大家一起系统性地学习一整块的知识和技能。

0x02 学习形式

  1. 首先,我们会有一份学习大纲,每周的学习内容按照大纲的顺序来。中间会有小的调整。
  2. 理论和实践结合,一般一周到三周理论学习后,会跟随着一周实践
  3. 每周都要求有内容产出,我们暂时称为作业,一般是一篇文章,内容是知识点总结、实践代码或者是实际案例分析
  4. 作业发布平台:可以提交在任意发布平台(简书、csdn、笔记链接、公众号都可以)
  5. 作业提交方式:具体提交方式后续群中公布。

0x03 学习路线

如下是学习路线的部分截图:

640?wx_fmt=jpeg
-w1282

注意:我们会以每周为单位,一周一个知识点来攻克!

0x04 怎样加入

画重点

  • 打卡押金:199.
  • 截止报名时间:本周五(20191025)晚上8点。

本次学习小组,采取打卡模式,总共17周的学习计划,3个多月的时间,坚持下来,你将具备数据科学所需要的基础的统计学理论。

参加打卡,先给居士转账199元(由于人数超出100,增加一部分门槛),居士会拉你到学习小组的打卡群。坚持打卡完毕,居士将全部打回给你,如果中途放弃了,居士就当辛苦费收了。_

640?wx_fmt=jpeg

居士希望每个人都能坚持到最后的!

打卡的内容就是每周的学习作业,有总结文章的要求,有实践类的课程要求

0x05 常见问题

一、基础很差可以参加吗?

可以,每个知识点,可以分层次来学习,基础差的就简单学,基础好的深入学。但是最好每个知识点都能去学习,希望大家能越学越深。

二、怕自己时间不够!

根据大家的178份调查问卷显示,78%以上的人,可以每周学习3小时以上,48%以上的人,每周可以学习5小时以上。

按照这个投入时间,基本都可以完成一定程度的知识点学习了。当然,如果的确没有时间,那我建议最好不要参与。

三、不习惯写总结,能只参加,不交作业可以吗

不可以,每周必须交作业,连续三周没交就认为你已经放弃参与。

我们对作业要求不高,可以是简单的知识点总结,也可以是深入的思考!但是,请不要糊弄自己,学习是给自己的,没有人会强制监督你要如何,全靠自愿。

四、为什么要缴押金

根据上一期的学习反馈以及在群里和大家的讨论,本次加入押金是为了更好地督促大家学习,都能坚持下来,自然全部返回。本意并不是要赚钱的。

当然,如果对此有疑问,不用勉强,想学习的话,方式有很多,学习小组只是其中之一。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值