2017年《机器学习》升级版IV，从理论到实践

2017年《机器学习》升级版IV，从理论到实践
2017年3月14日开课6月份结束 价值899 资料齐全-
小象学院
课程名称：
《机器学习》升级版 IV
主讲老师：
邹博xa0 xa0xa0 xa0小象学院独家签约
计算机博士，现科学院从事科研教学工作；主持国家级科研项目2个，副负责1个，国家专利2项，研究方向机器学习、数据挖掘、计算几何，应用于股票交易与预测、医药图像识别、智能畜牧等方向。擅长机器学习模型选择、核心算法分析和代码实现。
课程目标：
本课程特点是从数学层面推导最经典的机器学习算法，以及每种算法的示例和代码实现（Python）、如何做算法的参数调试、以实际应用案例分析各种算法的选择等。
开课时间：
2017年3月14日，共24次课，每次2小时
学习方式：
在线直播，共24次
每周3次（周二、四、六，晚上20:00-22:00）
直播后提供录制回放视频，在线反复观看，有效期1年
升级版IV的内容特色：
xa0 xa0xa0 xa01.xa0xa0拒绝简单的“调包”——增加3次“机器学习的角度看数学”和3次“Python数据清洗和特征提取”，提升学习深度、降低学习坡度。
xa0 xa0xa0 xa02.xa0xa0增加网络爬虫的原理和编写，从获取数据开始，重视将实践问题转换成实际模型的能力，分享工作中的实际案例或Kaggle案例：广告销量分析、环境数据异常检测和分析、数字图像手写体识别、Titanic乘客存活率预测、用户-电影推荐、真实新闻组数据主题分析、中文分词、股票数据特征分析等。
xa0 xa0xa0 xa03.xa0xa0强化矩阵运算、概率论、数理统计的知识运用，掌握机器学习根本。
xa0 xa0xa0 xa04.xa0xa0阐述机器学习原理，提供配套源码和数据；确保“懂推导，会实现”。
xa0 xa0xa0 xa05.xa0xa0删去过于晦涩的公式推导，代之以直观解释，增强感性理解。
xa0 xa0xa0 xa06.xa0xa0重视项目实践(如工业实践、Kaggle等)，重视落地。
xa0 xa0xa0 xa07.xa0xa0对比不同的特征选择带来的预测效果差异。
xa0 xa0xa0 xa08.xa0xa0思考不同算法之间的区别和联系，提高在实际工作中选择算法的能力。
xa0 xa0xa0 xa09.xa0xa0涉及和讲解的部分Python库有：Numpy/Scipy/matplotlib/Pandas/scikit-learn/XGBoost/libSVM/LDA/Gensim/NLTK/HMMLearn，涉及的其他“小”库在课程的实践环节会逐一讲解。
xa0 xa0xa0 xa010.xa0xa0每个算法模块按照“原理讲解->自己动手实现->使用已有机器学习库”的顺序，切实做到“顶天立地”。
课程大纲：
第一课：机器学习的数学基础1 - 数学分析
xa0 xa0xa0 xa01.xa0xa0机器学习的一般方法和横向比较
xa0 xa0xa0 xa02.xa0xa0数学是有用的：以SVD为例
xa0 xa0xa0 xa03.xa0xa0机器学习的角度看数学
xa0 xa0xa0 xa04.xa0xa0复习数学分析
xa0 xa0xa0 xa05.xa0xa0直观解释常数e
xa0 xa0xa0 xa06.xa0xa0导数/梯度
xa0 xa0xa0 xa07.xa0xa0随机梯度下降
xa0 xa0xa0 xa08.xa0xa0Taylor展式的落地应用
xa0 xa0xa0 xa09.xa0xa0gini系数
xa0 xa0xa0 xa010. 凸函数
xa0 xa0xa0 xa011. Jensen不等式
xa0 xa0xa0 xa012. 组合数与信息熵的关系
第二课：机器学习的数学基础2 - 概率论与贝叶斯先验
xa0 xa0xa0 xa01.xa0xa0概率论基础
xa0 xa0xa0 xa02.xa0xa0古典概型
xa0 xa0xa0 xa03.xa0xa0贝叶斯公式
xa0 xa0xa0 xa04.xa0xa0先验分布/后验分布/共轭分布
xa0 xa0xa0 xa05.xa0xa0常见概率分布
xa0 xa0xa0 xa06.xa0xa0泊松分布和指数分布的物理意义
xa0 xa0xa0 xa07.xa0xa0协方差(矩阵)和相关系数
xa0 xa0xa0 xa08.xa0xa0独立和不相关
xa0 xa0xa0 xa09.xa0xa0大数定律和中心极限定理的实践意义
xa0 xa0xa0 xa010.深刻理解最大似然估计MLE和最大后验估计MAP
xa0 xa0xa0 xa011.过拟合的数学原理与解决方案
第三课：机器学习的数学基础3 - 矩阵和线性代数
xa0 xa0xa0 xa01.xa0xa0线性代数在数学科学中的地位
xa0 xa0xa0 xa02.xa0xa0马尔科夫模型
xa0 xa0xa0 xa03.xa0xa0矩阵乘法的直观表达
xa0 xa0xa0 xa04.xa0xa0状态转移矩阵
xa0 xa0xa0 xa05.xa0xa0矩阵和向量组
xa0 xa0xa0 xa06.xa0xa0特征向量的思考和实践计算
xa0 xa0xa0 xa07.xa0xa0QR分解
xa0 xa0xa0 xa08.xa0xa0对称阵、正交阵、正定阵
xa0 xa0xa0 xa09.xa0xa0数据白化及其应用
xa0 xa0xa0 xa010.向量对向量求导
xa0 xa0xa0 xa011.标量对向量求导
xa0 xa0xa0 xa012.标量对矩阵求导
第四课：Python基础1 - Python及其数学库
xa0 xa0xa0 xa01.xa0xa0解释器Python2.7与IDE：Anaconda/Pycharm
xa0 xa0xa0 xa02.xa0xa0Python基础：列表/元组/字典/类/文件
xa0 xa0xa0 xa03.xa0xa0Taylor展式的代码实现
xa0 xa0xa0 xa04.xa0xa0numpy/scipy/matplotlib/panda的介绍和典型使用
xa0 xa0xa0 xa05.xa0xa0多元高斯分布
xa0 xa0xa0 xa06.xa0xa0泊松分布、幂律分布
xa0 xa0xa0 xa07.xa0xa0典型图像处理
第五课：Python基础2 - 机器学习库
xa0 xa0xa0 xa01.xa0xa0scikit-learn的介绍和典型使用
xa0 xa0xa0 xa02.xa0xa0损失函数的绘制
xa0 xa0xa0 xa03.xa0xa0多种数学曲线
xa0 xa0xa0 xa04.xa0xa0多项式拟合
xa0 xa0xa0 xa05.xa0xa0快速傅里叶变换FFT
xa0 xa0xa0 xa06.xa0xa0奇异值分解SVD
xa0 xa0xa0 xa07.xa0xa0Soble/Prewitt/Laplacian算子与卷积网络
xa0 xa0xa0 xa08.xa0xa0卷积与(指数)移动平均线
xa0 xa0xa0 xa09.xa0xa0股票数据分析
第六课：Python基础3 - 数据清洗和特征选择
xa0 xa0xa0 xa01.xa0xa0实际生产问题中算法和特征的关系
xa0 xa0xa0 xa02.xa0xa0股票数据的特征提取和应用
xa0 xa0xa0 xa03.xa0xa0一致性检验
xa0 xa0xa0 xa04.xa0xa0缺失数据的处理
xa0 xa0xa0 xa05.xa0xa0环境数据异常检测和分析
xa0 xa0xa0 xa06.xa0xa0模糊数据查询和数据校正方法、算法、应用
第七课： 回归
xa0 xa0xa0 xa01.xa0xa0线性回归
xa0 xa0xa0 xa02.xa0xa0Logistic/Softmax回归
xa0 xa0xa0 xa03.xa0xa0广义线性回归
xa0 xa0xa0 xa04.xa0xa0L1/L2正则化
xa0 xa0xa0 xa05.xa0xa0Ridge与LASSO
xa0 xa0xa0 xa07.xa0xa0梯度下降算法：BGD与SGD
xa0 xa0xa0 xa08.xa0xa0特征选择与过拟合
xa0 xa0xa0 xa09.xa0xa0Softmax回归的概念源头
xa0 xa0xa0 xa010.最大熵模型
xa0 xa0xa0 xa011.K-L散度
第八课：回归实践