楼+之机器学习实战第6期 楼+

关注
72人关注 14人评论

课程将围绕机器学习原理,使用 Python 语言进行实战,最终期望学员能达到初级机器学习工程师水平。

第0周
技能准备
实验1
课程须知
知识点: 1.请仔细阅读课程须知内容
实验2
机器学习在线实验环境使用
知识点: 1.实验楼Notebook介绍 2.实验楼Notebook的界面功能 3.实验楼Notebook的单元格用法 4.实验楼Notebook的常用快捷键
实验3
课程技能准备
知识点: 1.请尽力完成课程技能准备内容
直播1
开课直播
第1周
监督学习:回归
实验4
监督学习介绍
知识点: 1.机器学习综述 2.机器学习算法 3.监督学习介绍 4.分类和回归
实验5
线性回归
知识点: 1.线性回归介绍 2.最小二乘法 3.最小二乘法代数求解方法 4.最小二乘法矩阵求解方法 5.使用scikitlearn进行线性回归预测
挑战1
北京市住房价格预测
知识点: 1.线性回归原理及应用 2.scikitlearn回归预测
实验6
多项式回归
知识点: 1.多项式 2.多项式拟合 3.最小二乘法 4.过拟合 5.数据集划分 6.最优模型选择 7.scikitlearn实现多项式回归预测
挑战2
比特币价格趋势预测
知识点: 1.使用Pandas数据处理 2.使用Matplotlib绘图 3.使用scikitlearn训练多项式回归预测模型
实验7
岭回归和 LASSO 回归
知识点: 1.岭回归原理 2.岭回归拟合 3.LASSO回归原理 4.LASSO回归拟合 5.正则化 6.相关性系数
挑战3
岭回归系数计算
知识点: 1.Python计算岭回归系数 2.scikitlearn计算岭回归系数
实验8
第 1 周挑战解析视频
第2周
监督学习:分类
实验9
逻辑回归
知识点: 1.逻辑回归和线性回归的关系 2.逻辑回归模型 3.对数损失函数 4.梯度下降法
实验10
K 近邻算法
知识点: 1.KNN算法原理 2.常用距离算法 3.决策规则 4.使用KNN构建预测模型 5.Kd树
实验11
朴素贝叶斯
知识点: 1.先验概率 2.后验概率 3.贝叶斯定理 4.极大似然估计 5.贝叶斯估计 6.朴素贝叶斯实现 7.使用scikitlearn完成朴素贝叶斯预测
挑战4
高斯分布函数实现及绘图
知识点: 1.实现高斯分布 2.绘制高斯分布图像
实验12
支持向量机
知识点: 1.支持向量 2.分隔超平面 3.硬间隔 4.软间隔 5.拉格朗日乘子法 6.核函数
实验13
感知机和人工神经网络
知识点: 1.感知机概念 2.感知机原理 3.感知机实现方法 4.多层感知机 5.人工神经网络概念 6.人工神经网络原理 7.反向传播算法原理及推导 8.多层人工神经网络实现
挑战5
训练手写字符识别神经网络
知识点: 1.人工神经网络 2.手写字符识别
实验14
决策树
知识点: 1.信息熵 2.信息增益 3.增益率 4.CART决策树
实验15
装袋和提升方法
知识点: 1.集成学习 2.装袋(Bagging) 3.Baggingtree 4.随机森林 5.提升(Boosting) 6.Adaboost 7.梯度提升树
挑战6
使用交叉验证进行模型选择
知识点: 1.交叉验证 2.模型选择
实验16
第 2 周挑战解析视频
第3周
非监督学习:聚类
实验17
非监督学习介绍
知识点: 1.非监督学习 2.聚类 3.数据带有标签用通俗的话来讲,就是我需要告诉算法这个是房子,这个是人,这个是花,然后它就慢慢学会认识这些事物了。
实验18
划分聚类方法
知识点: 1.KMeans聚类 2.SSE 3.肘部法则 4.KMeans聚类 5.MiniBatchKMeans聚类
挑战7
使用 M.B. K-Means 对图像压缩处理
知识点: 1.图像处理 2.MiniBatchKMeans图像聚类
实验19
层次聚类方法
知识点: 1.自底向上层次聚类 2.自顶向下层次聚类 3.BIRCH聚类 4.PCA降维
挑战8
小麦种子层次聚类及绘制二叉树
知识点: 1.层次聚类 2.层次聚类二叉树图像
实验20
密度聚类方法
知识点: 1.密度聚类概述 2.DBSCAN算法原理 3.DBSCAN算法实现 4.HDBSCAN算法原理 5.HDBSCAN算法应用
挑战9
使用密度聚类追踪共享单车分布
知识点: 1.DBSCAN参数确定 2.HDBSCAN聚类
实验21
谱聚类等其他聚类方法
知识点: 1.谱聚类概念 2.无向图生成 3.拉普拉斯矩阵 4.谱聚类实现 5.亲和传播聚类介绍 6.MeanShift聚类介绍
挑战10
常用聚类算法对比评估
知识点: 1.算法对数据形状的适应性 2.相同条件下的算法计算效率
实验22
第 3 周挑战解析视频
第4周
深度学习基础
实验23
深度学习介绍
知识点: 1.深度学习介绍
实验24
TensorFlow 介绍及使用
知识点: 1.TensorFlow介绍 2.TensorFlow工作原理 3.计算流图 4.张量的类型 5.启动会话 6.常量生成 7.梯度优化器 8.GPU使用 9.小批量梯度下降 10.预训练模型
挑战11
使用 TensorFlow 搭建多层神经网络
知识点: 1.TensorFlow原理及使用 2.多层神经网络
实验25
Keras 介绍及使用
知识点: 1.Keras基本介绍 2.序贯模型的使用 3.函数模型的介绍 4.Layers神经网络层 5.常用模型组件及配置 6.模型结构可视化
挑战12
使用 Keras 序贯模型预测评论情绪
知识点: 1.Keras构建序贯模型 2.IMDB数据集
实验26
PyTorch 介绍及使用
知识点: 1.PyTorch使用 2.Tensor张量 3.Autograd自动微分 4.nn神经网络组件 5.Optimizer优化器
挑战13
使用 PyTorch 实现线性回归
知识点: 1.PyTorch原理及使用 2.线性回归
实验27
第 4 周挑战解析视频
第5周
深度神经网络
实验28
CNN 卷积神经网络
知识点: 1.卷积神经网络概述 2.卷积神经网络结构 3.卷积神经网络实现 4.经典卷积神经网络 5.使用卷积神经网络的原因
实验29
CNN 卷积神经网络【GPU】
知识点: 1.卷积神经网络概述 2.卷积神经网络结构 3.卷积神经网络实现 4.经典卷积神经网络 5.使用卷积神经网络的原因
挑战14
使用 CNN 实现猫狗识别
知识点: 1.TensorFlow运用 2.卷积神经网络实践
挑战15
使用 CNN 实现猫狗识别【GPU】
知识点: 1.TensorFlow运用 2.卷积神经网络实践
实验30
使用迁移学习完成猫狗识别
知识点: 1.迁移学习 2.微调 3.过拟合、欠拟合 4.训练可视化 5.模型可视化 6.数据预处理
实验31
使用迁移学习完成猫狗识别【GPU】
知识点: 1.迁移学习 2.微调 3.过拟合、欠拟合 4.训练可视化 5.模型可视化 6.数据预处理
实验32
RNN 循环神经网络
知识点: 1.序列 2.循环神经网络组成 3.LSTM与GRU模块 4.RNN的变种 5.自然语言处理简介
实验33
RNN 循环神经网络【GPU】
知识点: 1.序列 2.循环神经网络组成 3.LSTM与GRU模块 4.RNN的变种 5.自然语言处理简介
挑战16
使用 RNN 完成诗词创作
知识点: 1.Keras运用 2.循环神经网络实践
挑战17
使用 RNN 完成诗词创作【GPU】
知识点: 1.Keras运用 2.循环神经网络实践
实验34
GAN 生成对抗网络
知识点: 1.生成式对抗网络原理 2.生成式对抗网络实现 3.生成式对抗网络探讨
实验35
GAN 生成对抗网络【GPU】
知识点: 1.生成式对抗网络原理 2.生成式对抗网络实现 3.生成式对抗网络探讨
挑战18
使用 GAN 生成动漫人物头像
知识点: 1.PyTorch运用 2.DCGAN实践
挑战19
使用 GAN 生成动漫人物头像【GPU】
知识点: 1.PyTorch运用 2.DCGAN实践
实验36
第 5 周挑战解析视频
第6周
作业:机器学习项目挑战
实验37
机器学习项目挑战【已截止】
直播2
结课直播与项目挑战评讲
第7周
拓展:强化学习基础
实验38
强化学习介绍
知识点: 1.强化学习的概念
实验39
基于价值的强化学习方法
知识点: 1.QLearning学习算法 2.QTable更新过程 3.折损因子的概念 4.Sarsa学习算法 5.OffPolicy和OnPolicy 6.强化学习常用术语
挑战20
使用 Sarsa 完成迷宫挑战
知识点: 1.基于价值的强化学习原理及实现 2.Sarsa算法的QTable更新
实验40
OpenAI Gym 环境介绍及使用
知识点: 1.强化学习的概念 2.Gym环境的安装与调试 3.Gym环境组成 4.Gym环境基本使用
实验41
基于策略的强化学习方法
知识点: 1.策略梯度 2.策略梯度定理 3.MonteCarlo策略梯度算法 4.ActorCritic策略梯度
挑战21
使用策略梯度训练 CartPole
知识点: 1.策略梯度 2.策略梯度定理 3.MonteCarlo策略梯度算法 4.ActorCritic策略梯度
实验42
第 7 周挑战解析视频
第8周
附录
实验43
深度学习环境配置指南
实验44
机器学习术语表
实验45
毕业须知
登录 后发表评论
最新评论
全部 第1节 第2节 第3节 第4节 第5节 第6节 北京市住房价格预测 第7节 比特币价格趋势预测 第8节 岭回归系数计算 第9节 第10节 第11节 第12节 高斯分布函数实现及绘图 第13节 第14节 训练手写字符识别神经网络 第15节 第16节 使用交叉验证进行模型选择 第17节 第18节 第19节 使用 M.B. K-Means 对图像压缩处理 第20节 小麦种子层次聚类及绘制二叉树 第21节 使用密度聚类追踪共享单车分布 第22节 常用聚类算法对比评估 第23节 第24节 第25节 使用 TensorFlow 搭建多层神经网络 第26节 使用 Keras 序贯模型预测评论情绪 第27节 使用 PyTorch 实现线性回归 第28节 第29节 第30节 使用 CNN 实现猫狗识别 使用 CNN 实现猫狗识别【GPU】 第31节 第32节 第33节 第34节 使用 RNN 完成诗词创作 使用 RNN 完成诗词创作【GPU】 第35节 第36节 使用 GAN 生成动漫人物头像 使用 GAN 生成动漫人物头像【GPU】 第37节 第38节 第39节 第40节 第41节 使用 Sarsa 完成迷宫挑战 第42节 第43节 使用策略梯度训练 CartPole 第44节 第45节 第46节 第47节

0% Complete

加载中,精彩就在后面...

卡住了?点击重试