七月在线 人工智能机器学习4月机器学习算法班 最火实战项目课程 视频教程【20课时】

冰点也疯狂

课程介绍：
; s6 ~- m! O& k" R* y* F2 a整个课程不仅将帮助大家入门机器学习，更将结合BAT工业应用，且几乎每一次课都提供实际案例、数据集、代码，让学员结合实际案例理解机器学习算法，从数据清洗、特征处理、模型构建、模型调优到实际机器学习项目分析，让大家了解实际工业界是怎么用这些机器学习算法的，合适的更可帮忙内推BAT。

课程目录：
8 y$ T' K: I  F! m0 e第1课 机器学习与微积分
知识点1： Taylor展式、梯度下降和牛顿法初步、Jensen不等式
& N, o6 v: Q) w第2课 数理统计和参数估计
知识点1： 常见分布与共轭分布、切比雪夫不等式、大数定理、中心极限定理、矩估计、极大似然估计
# G  x9 D1 Q4 c' N& P/ Y9 N' T第3课 矩阵分析与应用
8 j2 n, @" |0 \* D知识点1： 特征向量、对称矩阵对角化、线性方程
第4课 凸优化初步
知识点1： 凸集、凸函数、凸优化、KKT条件
第5课 线性回归与逻辑回归
知识点1： 线性回归、logistic回归、梯度下降
实战项目： 线性回归与拟合，Logistic回归与分类
实战项目： 实际工程海量数据下的logistic回归使用，包括样本处理、特征处理、算法调优和背后的原理
& X# ^( T9 D! ]' }6 q第6课 特征工程
知识点1： 数据获取、数据清洗、特征抽取、特征选择与融合
第7课 工作流程与模型调优
+ u# T* }9 R2 j) ~0 Q知识点1： 实际机器学习项目下的场景分析、算法选择、模型构建与调优、kaggle示例
第8课 最大熵与EM算法
知识点1： 熵、相对熵、信息增益、最大熵模型、IIS、GMM
第9课 推荐系统
知识点1： 基于内容推荐、协同过滤、排序学习、神经网络推荐
; a) j- p# W! c$ ?; p实战项目： 实际电商推荐系统的算法与架构
第10课 聚类算法与应用
" _/ z% a  n& L1 u3 N知识点1： K-means/K-Medoid/层次聚类
- `- A- p( b3 U: D3 ]实战项目： K-means代码实现和实际应用分析
第11课 决策树、随机森林、Adaboost
知识点1： ID3、C4.5、CART、Bagging、GBDT、Adaboost、前向分步算法
实战项目： 使用随机森林进行数据分类 [含代码实现和参数调试分析]
) }, q" C$ ?! \0 }( ^第12课 SVM
知识点1： 线性可分支持向量机、线性支持向量机、非线性支持向量机、SMO
- H0 x; n" P* a: X实战项目： 使用SVM进行数据分类 [含代码实现和参数调试分析]
# o  \* L/ n* l" L3 Q( A第13课 贝叶斯方法
知识点1： 朴素贝叶斯、有向分离、马尔科夫模型
第14课 主题模型
1 H7 M" Y& c+ r) @$ R2 T' e知识点1： pLSA、共轭先验分布、LDA
. j+ G: n' Z+ u% [7 r实战项目： 使用LDA进行文档分类 [含gensim开发实例和参数调试分析]
第15课 采样与变分
知识点1： MCMC/KL(p||q)与KL(q||p)
% G  t: Z" b" D; ?. ]第16课 人工神经网络
- R/ l, P" ~% r知识点1： 全连接神经网络、BP算法、链式法则
实战项目： 用BP网络做样本数据分类
5 g7 R& m/ Z; s" F/ m/ j第17课 卷积神经网络
' V% E) K. v: H知识点1： 卷积操作、Polling操作
知识点2： 理解卷积网络、卷积网络训练以及GPU加速
; }& e2 n7 M' t+ e4 X实战项目： 卷积网络在图像分类中的应用
6 G0 y" x3 U1 t- g0 R9 t5 T第18课 循环神经网络与LSTM
知识点1： RNN 网络、LSTM
' @$ H2 }0 l2 Q) Q) N7 K5 P实战项目： 回归网络在自然语言处理中的应用（字符模型和文本生成，char-rnn 案例分析）
第19课 关于框架
知识点1： Caffe 入门教程
) Q" q) u7 s- d5 Q* r知识点2： Tensor Flow/MxNet 简介
实战项目： 使用Torch进行图像分类及卷积网络可视化的深度学习实践
第20课 概率图模型初步
; }& w& ?( |3 E* M5 ~$ I知识点1： 贝叶斯网络、概率计算问题、参数学习问题、状态预测问题
实战项目： 使用HMM进行中文分词 [含代码实现和参数调试分析]

m9128213

很好的教程～～