機器學習 第九期
阿新 • • 發佈:2018-12-10
預習階段 機器學習中的數學基礎
- 知識點1:微積分的基本概念
- 知識點1:概率論簡介
- 知識點1:線性代數基礎
- 知識點1:凸優化簡介
第一階段 掌握基本模型 開啟ML大門
- 知識點1:線性迴歸
- 知識點2:logistic迴歸
- 知識點3:梯度下降
- 知識點4:實際工程海量資料下的logistic迴歸使用
- 實戰專案:分佈擬合與迴歸、用LR分類與概率預測
- 實戰專案:用LR完成Kaggle比賽邁開第一步
- 知識點1:不同型別的分類樹模型
- 知識點2:決策樹迴歸
- 知識點3:樹模型過擬合與優化
- 知識點4:使用隨機森林進行資料分類
- 知識點5:Bagging
- 知識點6:隨機森林
- 實戰專案:信用卡欺詐檢測
- 知識點1:線性可分支援向量機、線性支援向量機
- 知識點2:非線性支援向量機
- 知識點3:SMO
- 實戰專案:使用SVM進行資料分類
- 知識點1:熵、相對熵、資訊增益
- 知識點2:最大熵模型、IIS、GMM
第二階段 重中之重 特徵工程
- 知識點1:資料清洗、異常點處理
- 知識點2:特徵抽取、選擇與組合策略
- 實戰專案:特徵處理與特徵選擇模板
- 知識點1:機器學習問題場景分析、演算法選擇
- 知識點2:模型構建、模型效能分析與優化策略
- 實戰專案:構建模型組合策略工具與模板
第三階段 工業實戰 在實戰中掌握一切
- 知識點1:sklearn板塊介紹
- 知識點2:sklearn完成資料預處理與特徵工程
- 知識點3:建模流水線搭建
- 實戰專案:經典Titanic案例,商品銷量預測案例等
- 知識點1:xgboost使用方法與高階功能
- 知識點2:lightGBM使用方法與高階功能
- 實戰專案: Titanic與商品銷量預測進階,Kaggle案例實戰
- 知識點1:推薦系統與評估
- 知識點2:基於內容的推薦
- 知識點3:基於近鄰的推薦--協同過濾
- 知識點4:隱語義模型
- 實戰專案:從頭手寫搭建協同過濾與隱語義模型推薦
- 實戰專案:基於scikit-surprise的推薦系統
- 知識點1:K-means/K-Medoid
- 知識點2:層次聚類
- 知識點3:GMM
- 實戰專案:K-means/GMM程式碼實現和實際應用分析
- 實戰專案:基於使用者聚類的推薦系統
- 實戰專案:推薦系統比賽案例(資料、程式碼)
第四階段 高階知識 深入機器學習
- 知識點1:樸素貝葉斯
- 知識點2:有向分離
- 知識點3:馬爾科夫模型
- 知識點1:概率計算問題
- 知識點2:引數學習問題
- 知識點3:狀態預測問題
- 實戰專案:使用HMM進行中文分詞
- 知識點1:pLSA
- 知識點2:共軛先驗分佈
- 知識點3:LDA
- 實戰專案:使用LDA進行文件分類
第五階段 邁入深度學習 開啟DL大門
- 知識點1:全連線神經網路
- 知識點2:反向傳播演算法與權重優化
- 知識點3:訓練注意點
- 知識點4:通用混合神經網路模板
- 實戰專案:手寫神經網路解決非線性切分問題
- 知識點1:卷積神經網路結構分析
- 知識點2:過擬合與隨機失活
- 知識點3:卷積神經網路理解
- 知識點4:典型網路結構詳解
- 實戰專案:利用ResNet與inception解決一般影象分類問題套路
- 知識點1:迴圈神經網路
- 知識點2:長時依賴問題與長短時記憶網路
- 知識點3:BPTT演算法
- 實戰專案:利用迴圈神經網路生成文字作詩
- 知識點1:Caffe應用要點
- 知識點2:TensorFlow/Keras簡介
- 實戰專案:用神經網路完成影象分類與特徵提取
- 實戰專案:用Keras構建文字情感分析模型