课程内容
展开全部
  共92个章节
阶段 0 技能准备   展开
共4个章节
lab-classic 实验 2 在线环境使用指南
lab-classic 实验 3 课程技能准备说明
lab-live 直播 1 开课直播
直播时间:2019-04-23 18:30:00
阶段 1 监督学习:回归   展开
共10个章节
lab-classic 实验 4 监督学习介绍及示例

知识点: 1.机器学习介绍 2.监督学习介绍 3.监督学习定义 4.监督学习示例 5.分类与回归

lab-classic 实验 5 线性回归实现与应用

知识点: 1.一元线性回归 2.平方损失函数 3.最小二乘法及代数求解 4.线性回归实现 5.最小二乘法的矩阵推导

lab-challenge 挑战 1 北京市住房价格预测

知识点: 1.数据集读取与划分 2.模型训练及预测 3.模型评价

lab-classic 实验 6 多项式回归实现与应用

知识点: 1.多项式回归介绍 2.多项式回归基础 3.多项式回归预测

lab-challenge 挑战 2 比特币价格预测及绘图

知识点: 1.数据准备 2.3次多项式回归预测挑战 3.N次多项式回归预测绘图

lab-classic 实验 7 岭回归和 LASSO 回归实现

知识点: 1.普通最小二乘法的局限性 2.希尔伯特矩阵OLS线性拟合 3.岭回归 4.LASSO回归

lab-challenge 挑战 3 使用矩阵计算岭回归系数

知识点: 1.使用Python计算岭回归系数 2.使用scikitlearn计算岭回归系数

lab-classic 实验 8 回归模型评价与检验

知识点: 1.拟合优度检验 2.变量显著性检验

lab-challenge 挑战 4 回归方法综合应用

知识点: 1.一元线性回归 2.多元线性回归 3.假设检验

lab-classic 实验 9 第 1 周挑战解析视频
阶段 2 监督学习:分类(上)   展开
共10个章节
lab-classic 实验 10 逻辑回归实现与应用

知识点: 1.线性可分和不可分 2.Sigmoid分布函数 3.逻辑回归模型 4.对数损失函数 5.梯度下降法

lab-challenge 挑战 5 梯度下降法求解线性回归参数

知识点: 1.最小二乘法求解线性回归参数 2.梯度下降法求解线性回归参数

lab-classic 实验 11 K 近邻算法实现与应用

知识点: 1.最近邻算法 2.K近邻算法 3.决策规则 4.KNN算法实现

lab-challenge 挑战 6 K 近邻回归算法实现及预测

知识点: 1.K近邻回归介绍 2.K近邻回归实现

lab-classic 实验 12 朴素贝叶斯实现与应用

知识点: 1.条件概率 2.贝叶斯定理 3.朴素贝叶斯原理 4.朴素贝叶斯算法实现 5.极大似然估计

lab-challenge 挑战 7 高斯分布函数实现及绘图

知识点: 1.高斯分布公式 2.高斯分布函数

lab-classic 实验 13 支持向量机实现与应用

知识点: 1.线性分类支持向量机 2.拉格朗日对偶性 3.线性支持向量机分类实现 4.非线性分类支持向量机 5.核技巧与核函数

lab-challenge 挑战 8 支持向量机实现人像分类

知识点: 1.图像数据预处理 2.支持向量机分类

lab-classic 实验 14 分类模型评价方法

知识点: 1.准确率 2.查准率 3.召回率 4.F1值 5.ROC曲线

lab-classic 实验 15 第 2 周挑战解析视频
阶段 3 监督学习:分类(下)   展开
共10个章节
lab-classic 实验 16 感知机和人工神经网络

知识点: 1.感知机的推导过程 2.随机梯度下降法 3.多层感知机与人工神经网络 4.反向传播算法 5.实现人工神经网络

lab-challenge 挑战 9 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

lab-classic 实验 17 决策树实现与应用

知识点: 1.决策树算法原理 2.信息增益 3.决策树算法实现 4.学生成绩分类预测 5.决策树可视化

lab-challenge 挑战 10 决策树模型参数优化及选择

知识点: 1.CART决策树分类 2.网格搜索参数选择

lab-classic 实验 18 装袋和提升集成学习方法

知识点: 1.集成学习概念 2.装袋算法Bagging 3.随机森林RandomForest 4.提升算法Boosting 5.梯度提升树GBDT

lab-challenge 挑战 11 异质集成投票方法应用

知识点: 1.CART决策树分类 2.网格搜索参数选择

lab-challenge 挑战 12 使用交叉验证快速选择模型

知识点: 1.K折交叉验证 2.K折子集均分 3.鲍鱼年龄分类

lab-classic 实验 19 机器学习模型推理与部署

知识点: 1.模型保存 2.模型部署 3.模型推理

lab-classic 实验 20 机器学习模型动态增量训练

知识点: 1.动态模型 2.增量训练 3.实时手写字符识别

lab-classic 实验 21 第 3 周挑战解析视频
阶段 4 非监督学习:聚类   展开
共11个章节
lab-classic 实验 22 非监督学习介绍和示例

知识点: 1.非监督学习介绍 2.非监督学习示例

lab-classic 实验 23 划分聚类方法实现与应用

知识点: 1.划分聚类介绍 2.KMeans聚类方法 3.中心点移动过程可视化 4.KMeans算法实现

lab-challenge 挑战 13 使用 K-Means 完成图像压缩

知识点: 1.图像压缩 2.MiniBatchKMeans聚类

lab-classic 实验 24 层次聚类方法实现与应用

知识点: 1.层次聚类方法概述 2.自底向上层次聚类法 3.自顶向下层次聚类法 4.BIRCH聚类算法 5.PCA主成分分析

lab-classic 实验 25 主成分分析原理及应用

知识点: 1.向量的基 2.向量映射 3.方差和协方差 4.特征值和特征向量 5.主成分分析计算

lab-challenge 挑战 14 层次聚类应用及聚类树绘制

知识点: 1.层次聚类 2.修剪层次聚类二叉树

lab-classic 实验 26 密度聚类方法实现与应用

知识点: 1.DBSCAN密度聚类算法 2.DBSCAN聚类算法实现 3.HDBSCAN聚类算法

lab-challenge 挑战 15 密度聚类标记异常共享单车

知识点: 1.DBSCAN参数确定 2.HDBSCAN聚类

lab-classic 实验 27 谱聚类及其他聚类方法应用

知识点: 1.谱聚类 2.拉普拉斯矩阵 3.无向图切图 4.亲和传播聚类 5.MeanShift

lab-challenge 挑战 16 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.相同条件下的算法效率

lab-classic 实验 28 第 4 周挑战解析视频
阶段 5 深度学习框架   展开
共11个章节
lab-classic 实验 29 深度学习介绍和示例

知识点: 1.深度学习介绍 2.深度学习发展

lab-classic 实验 30 TensorFlow 基础概念语法

知识点: 1.张量Tensor 2.会话Session 3.计算图 4.EagerExecution特性 5.TensorFlowAPI概览

lab-challenge 挑战 17 TensorFlow 加州房价预测

知识点: 1.最小二乘法线性回归 2.TensorFlow基本运算

lab-classic 实验 31 TensorFlow 构建神经网络

知识点: 1.NumPy构建神经网络 2.TensorFlow构建神经网络 3.TensorFlow完成DIGITS分类 4.TensorFlow实现MiniBatch训练

lab-challenge 挑战 18 TensorFlow 汽车评估分类

知识点: 1.TensorFlow构建神经网络 2.张量数据处理转换 3.损失函数,优化器

lab-classic 实验 32 TensorFlow 高阶 API 使用

知识点: 1.Keras序贯模型 2.Keras函数模型 3.Keras模型存储及推理 4.Estimator高阶API

lab-challenge 挑战 19 TensorFlow 时尚物品分类

知识点: 1.Keras构建神经网络 2.灰度数据标准化 3.Flatten,Dropout层

lab-classic 实验 33 PyTorch 基础概念语法

知识点: 1.张量类型和定义 2.索引、切片、变换 3.张量的内部结构 4.自动微分Autograd 5.深度学习框架对比

lab-classic 实验 34 PyTorch 构建神经网络

知识点: 1.PyTorch构建神经网络 2.Sequential容器结构 3.使用GPU加速训练 4.模型保存与推理

lab-challenge 挑战 20 PyTorch 实现线性回归

知识点: 1.PyTorch原理及使用 2.nnModule类实现线性回归

lab-classic 实验 35 第 5 周挑战解析视频
阶段 6 深度神经网络   展开
共11个章节
lab-classic 实验 36 卷积神经网络原理

知识点: 1.卷积核Kernel 2.卷积步长Stride 3.边距扩展Padding 4.高维多卷积核过程 5.卷积神经网络的发展史

lab-classic 实验 37 卷积神经网络构建【GPU】

知识点: 1.TensorFlow高阶API构建 2.TensorFlow低阶API构建 3.PyTorch低阶API构建 4.PyTorch高阶API构建

lab-challenge 挑战 21 构建 LeNet5 Estimator

知识点: 1.TensorFlowEstimator使用 2.LeNet5卷积神经网络

lab-classic 实验 38 循环神经网络原理

知识点: 1.序列模型介绍 2.简单循环神经网络 3.LSTM长短期记忆模型 4.GRU门控循环单元

lab-classic 实验 39 循环神经网络构建

知识点: 1.IMDB数据集 2.词嵌入 3.简单循环神经网络 4.LSTM循环神经网络

lab-challenge 挑战 22 使用 LSTM 预测股票价格

知识点: 1.LSTM网络构建 2.股票价格预测

lab-classic 实验 40 生成对抗网络原理及构建

知识点: 1.生成对抗网络原理 2.生成对抗网络实现 3.生成对抗网络改进 4.生成对抗网络未来

lab-challenge 挑战 23 DCGAN 生成动漫人物头像【GPU】

知识点: 1.PyTorch实践运用 2.DCGAN网络搭建

lab-classic 实验 41 自动编码器原理及构建

知识点: 1.自动编码器介绍 2.基础自动编码器 3.去噪自动编码器

lab-challenge 挑战 24 构建卷积自动编码器

知识点: 1.卷积自动编码器 2.图像去噪 3.TensorFlowKeras

lab-classic 实验 42 第 6 周挑战解析视频
阶段 7 深度学习工程   展开
共11个章节
lab-classic 实验 43 计算机视觉:图像分类【GPU】

知识点: 1.数据加载器 2.迁移学习 3.猫狗识别 4.卷积神经网络可视化

lab-challenge 挑战 25 迁移学习完成动物分类

知识点: 1.迁移学习 2.预训练模型 3.TensorFlowKeras

lab-classic 实验 44 计算机视觉:目标检测【GPU】

知识点: 1.目标检测方法 2.RCNN家族 3.YOLO和SSD 4.MaskRCNN 5.TensorFlowObjectDetection

lab-challenge 挑战 26 YOLO 图像目标检测

知识点: 1.图像目标检测 2.YOLO实时检测方法

lab-classic 实验 45 自然语言处理:文本分类

知识点: 1.文本分类流程 2.中文文本分词 3.英文文本分词 4.文本特征提取 5.假新闻分类任务

lab-challenge 挑战 27 深度学习完成假新闻分类

知识点: 1.文本分类 2.深度神经网络

lab-classic 实验 46 自然语言处理:NLTK 和 Flair

知识点: 1.NaturalLanguageToolkit 2.PyTorchFlair 3.自然语言处理工具

lab-challenge 挑战 28 Google BERT 预训练技术

知识点: 1.GoogleBERT 2.NLP预训练技术

lab-classic 实验 47 深度学习模型推理和部署

知识点: 1.TensorFlowServing 2.ONNX开放模型格式

lab-challenge 挑战 29 构建图像分类实时推理 API

知识点: 1.预训练模型 2.TensorFlowKeras 3.FlaskWebAPI

lab-classic 实验 48 第 7 周挑战解析视频
阶段 8 强化学习基础 [拓展]   展开
共8个章节
lab-classic 实验 49 强化学习介绍与示例

知识点: 1.强化学习介绍 2.强化学习算法分类 3.强化学习应用 4.课外内容推荐

lab-classic 实验 50 Q-Learning 强化学习方法实现

知识点: 1.QTable的概念 2.QLearning算法实现 3.Sarsa学习算法 4.Sarsa和QLearning区别

lab-challenge 挑战 30 实现 Sarsa 学习算法走出迷宫

知识点: 1.QTable初始化 2.QTable更新函数 3.Sarsa完整算法实现

lab-classic 实验 51 OpenAI Gym 环境介绍及使用

知识点: 1.Gym环境安装 2.Gym环境使用 3.Gym环境示例

lab-challenge 挑战 31 Gym 玩 Atari 打砖块游戏

知识点: 1.OpenAIGym使用 2.打砖块游戏可视化

lab-classic 实验 52 策略梯度强化学习方法实现

知识点: 1.策略梯度过程推导 2.策略梯度定理 3.蒙特卡洛策略梯度算法 4.ActorCritic策略梯度算法 5.策略梯度算法实现

lab-challenge 挑战 32 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

lab-classic 实验 53 第 8 周挑战解析视频
阶段 9 项目挑战   展开
共3个章节
lab-challenge 挑战 33 Kaggle 项目挑战比赛【已截止】
lab-classic 实验 54 课程毕业须知
lab-live 直播 2 结课直播
直播时间:2019-06-25 19:30:00
阶段 10 附录   展开
共3个章节
lab-classic 实验 55 深度学习环境配置指南
lab-classic 实验 56 机器学习常用术语释义
lab-classic 实验 57 机器学习后续学习建议
课程介绍

继实验楼推出 Python 实战和 Linux 实战内容之后,正式上线机器学习实战课程。课程将围绕机器学习原理,使用 Python 语言进行实战,最终期望学员能对机器学习常见算法原理熟悉、能手动实现部分核心算法,同时学会使用开源框架搭建预测模型。掌握常用深度学习框架使用,并学会构建深度学习模型应用与计算机视觉和自然语言处理任务。涉及机器学习工程相关的模型评价与部署方法,最终达到机器学习初级工程师的水平。

接下来,将通过 4 个问题,希望你能对机器学习以及本课程有更深入的了解。

目录索引

问题 1:什么是机器学习? 问题 2:机器学习能干什么? 问题 3:机器学习、深度学习和人工智能的关系? 问题 4:学习机器学习(本课程)需要具备的前提条件?

问题 1:什么是机器学习?

想要入门机器学习,那么就需要了解什么是机器学习?机器学习一个十分经典的定义来自于计算机科学家 汤姆·M·米切尔 于 1997 年出版的《机器学习》专著,这句话的原文如下:

A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E.

汤姆·M·米切尔

翻译成中文就是:

对于某类任务 T 和性能度量 P ,如果一个计算机程序在 T 上以 P 衡量的性能随着经验 E 而自我完善,那么我们称这个计算机程序在从经验 E 学习。

你可能会觉得上面这句定义太学术,甚至读了多遍都没有理解到其中要准确表达的意思。简单来讲,这句话强调的是「学习」,而核心意义就是:计算机程序通过累计经验来获得性能的提升。

机器学习图

其中,计算机程序的核心就是我们所说的「机器学习算法」,而机器学习算法则来源于基础数学理论和方法。有了可以自主学习的算法,程序就可以从训练数据中自动分析获得规律,并利用规律对未知数据进行预测。

问题 2:机器学习能干什么?

近两年来,机器学习概念非常火。但是,当年回顾机器学习的发展史,你会惊讶于早在几十年前,这门学科就已经有所突破。为什么感觉这些年才火热起来呢?

其实,如今机器学习概念热门的原因之一,就是近年来找到了一些机器学习合适的应用场景。例如,各类新闻站点利用机器学习向你推进「符合胃口」的资讯。特斯拉、Uber、百度自动驾驶车上路,也是机器学习在为之领航。安检口的人脸识别、天气交通的精准预报都得益于机器学习的应用。

自动驾驶汽车

从 机器之心 的统计数据来看,目前机器学习的主要商用场景集中于:医疗健康、工具软件、商业服务、消费零售、金融等领域。除了上面提到的推荐系统、自动驾驶等应用实例,机器学习目前还可以用于智能客服平台、智能门诊系统、信贷风险评估、欺诈检测、视觉识别等各类行业。

所以,机器学习能做的事情非常之多。可以这样说,几乎每个行业都有机器学习的用武之地,几乎每个流程都可能引入机器学习进一步优化。

问题 3:机器学习、深度学习和人工智能的关系?

我们经常会从媒体报道及学术资料中看到机器学习、深度学习、人工智能三个不同的名词,但往往又捉摸不透几者之间的关系。它们之间是包含,交叉,还是完全独立呢?

这里,我们引用资深科技记者 Michael Copeland 文章中的部分观点进行解释。三者中,最先出现的概念是人工智能,它是于 1956 年由 John McCarthy 提出。当时,人们渴望设计出一种「能够执行人类智能特征任务的机器」。

之后,研究人员构思出机器学习的概念,而机器学习的核心是寻求实现人工智能的方法。于是就出现了朴素贝叶斯、决策树学习、人工神经网络等众多机器学习方法。其中,人工神经网络(ANN)是模拟大脑生物结构的一种算法。

再到后来,就出现了深度学习。深度学习的关键在于建立具有更多神经元、更多层级的深度神经网络。我们发现,这种深度神经网络的学习效果在图像辨识等方面甚至超越了人类。

所以,关于上述 3 个概念,可以总结出如下所示的关系图。其中,机器学习是实现人工智能的手段,而深度学习只是机器学习中的一种特定方法。

机器学习、深度学习和人工智能的关系图

问题 4:学习机器学习(本课程)需要具备的前提条件?

或许你已经对机器学习产生了兴趣,但又不清楚自己是否适合学习。所以,第四个问题将告诉你学习本课程的前提条件,及如何去达到这些前提条件。

首先,《楼+ 机器学习实战》课程将会使用 Python 语言作为代码实战过程中唯一的编程语言。除了 Python 语言具备语法简单,上手快的特点。选择其的另一个重要原因是目前在机器学习领域,最优秀的开源项目和工具几乎都提供了对 Python 语言的支持。

如果你对 Python 3 还不够了解和熟悉,那就非常推荐学习实验楼免费基础课程:《Python3 简明教程》。课程地址:https://www.shiyanlou.com/courses/596

其次,为了更好地理解机器学习算法原理,你需要具备一定的数学基础。如果你在大学本科阶段学习过《高等数学》、《线性代数》、《概率论》,那就完全足够了。当然,无需对这三门课程都非常熟悉,只要有印象,回忆起来就非常快了。

如果,你完全没有线性代数、数理统计等基础,也不用太担心。首先,在课程内容中,凡涉及到数学的地方,我们都会做必要的解释。另外,《楼+ 机器学习实战》将会更突出「实战」,并使用尽量容易理解的语言来介绍算法背后的原理,而非深奥理论的探索。

课程教师

huhuhang 共发布过 50 门课程

查看老师的所有课程 >
实验楼楼+
实验楼会员