楼+ 机器学习实战 2.0 第 1 期 私有课

关注
1人关注 0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。课程还会涉及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。课程预定培养目标为机器学习初级工程师。

第0周
技能准备
实验1
课程须知
实验2
在线环境使用指南
实验3
课程技能准备说明
第1周
监督学习:回归(未开放)
直播1
开课直播
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
实验5
线性回归实现与应用
知识点: 1.线性回归介绍 2.一元线性回归 3.平方损失函数 4.最小二乘法及代数求解 5.线性回归Python实现 6.线性回归scikitlearn实现 7.最小二乘法的矩阵推导及实现 8.线性回归预测实战 9.数据集介绍及划分 10.构建和训练模型
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
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.实现2次多项式拟合 4.实现N次多项式拟合 5.使用scikitlearn进行多项式拟合 6.多项式回归预测 7.线性回归与2次多项式回归对比 8.更高次多项式回归预测 9.多项式回归预测次数选择
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
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.岭回归推导 4.岭回归拟合 5.LASSO回归 6.LASSO回归拟合 7.本周思维导图
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
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
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
实验9
第 1 周挑战解析视频
第2周
监督学习:分类(上)(未开放)
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.使用线性回归分类 3.Sigmoid分布函数 4.逻辑回归模型 5.对数损失函数 6.梯度下降法 7.逻辑回归Python实现 8.逻辑回归scikitlearn实现
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
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.K近邻算法实现 4.曼哈顿距离 5.欧式距离 6.决策规则 7.KNN算法实现 8.K值选择 9.Kd树 10.Kd树最邻近搜索 11.Kd树实现
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 3.数据准备:通过数据清洗,数据处理,将每条数据整理成向量。 4.计算距离:计算测试数据与训练数据之间的距离。 5.寻找邻居:找到与测试数据距离最近的K个训练数据样本。 6.决策分类:根据决策规则,从K个邻居得到测试数据的类别。 7.分类问题:根据K个邻居的类别,多数表决得到未知样本的类别。 8.回归问题:根据K个邻居的目标值,计算平均值得到未知样本的预测值。
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.先验概率 4.后验概率 5.朴素贝叶斯原理 6.朴素贝叶斯算法实现 7.极大似然估计 8.贝叶斯估计 9.多项式模型 10.伯努利模型 11.高斯模型 12.朴素贝叶斯垃圾邮件分类
挑战7
高斯分布函数实现及绘图
知识点: 1.[<iclass="fafaexternallinksquare"ariahidden="true">高斯分布公式</i>](#高斯分布公式) 2.[<iclass="fafaexternallinksquare"ariahidden="true">高斯分布函数</i>](#高斯分布函数)
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.支持向量机分类特点 3.支持向量机分类演示 4.函数间隔 5.几何间隔 6.拉格朗日对偶性 7.对偶问题求解 8.线性支持向量机分类实现 9.非线性分类支持向量机 10.核技巧与核函数 11.引入核函数的间隔表示及求解 12.非线性支持向量机分类实现 13.多分类支持向量机
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
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 6.第1~6列为客户近期历史账单信息。(特征) 7.第7列为该客户年龄。(特征) 8.第8列为该客户性别。(特征) 9.第9列为该客户教育程度。(特征) 10.第10列为该客户婚姻状况。(特征) 11.第11列为客户持卡风险状况。(分类标签:LOW,HIGH)
实验15
第 2 周挑战解析视频
第3周
监督学习:分类(下) (未开放)
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.感知机计算流程图 3.感知机的损失函数 4.随机梯度下降法 5.感知机分类实例 6.多层感知机与人工神经网络 7.激活函数 8.反向传播算法 9.Python实现人工神经网络
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
实验17
决策树实现与应用
知识点: 1.什么是决策树 2.决策树算法原理 3.信息增益 4.信息增益率 5.连续值处理 6.决策树算法实现 7.预剪枝和后剪枝 8.学生成绩分类预测 9.决策树可视化 10.CART决策树
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
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.结合策略 3.装袋算法Bagging 4.BaggingTree 5.随机森林RandomForest 6.提升算法Boosting 7.Adaboost 8.梯度提升树GBDT
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 3.`estimators`:可以通过列表套元组的方式`[('name1',model1),('name2',model2)]`传入多个不同的分类器。 4.`voting`:可选`hard`或`soft`。 5.分类器1→类别1 6.分类器2→类别1 7.分类器3→类别2
挑战12
使用交叉验证快速选择模型
知识点: 1.K折交叉验证介绍 2.K折子集均分 3.鲍鱼年龄分类
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
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 4.静态模型采用离线训练方式。一般只训练模型一次,然后长时间使用该模型。 5.动态模型采用在线训练方式。数据会不断进入系统,通过不断地更新系统将这些数据整合到模型中。 6.分类算法 7.`sklearnnaive_bayesMultinomialNB` 8.`sklearnnaive_bayesBernoulliNB` 9.`sklearnlinear_modelPerceptron` 10.`sklearnlinear_modelSGDClassifier` 11.`sklearnlinear_modelPassiveAggressiveClassifier` 12.`sklearnneural_networkMLPClassifier` 13.回归算法 14.`sklearnlinear_modelSGDRegressor` 15.`sklearnlinear_modelPassiveAggressiveRegressor` 16.`sklearnneural_networkMLPRegressor`
实验21
第 3 周挑战解析视频
第4周
非监督学习:聚类(未开放)
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
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.KMeans聚类算法实现 4.中心点移动过程可视化 5.KMeans算法聚类中的K值选择 6.KMeans聚类算法 7.KMeans算法流程 8.KMeans算法实现 9.MiniBatchKMeans聚类算法
挑战13
使用 K-Means 完成图像压缩
知识点: 1.图像数据预处理 2.像素点种类个数计算 3.MiniBatchKMeans图像聚类 4.图像压缩前后对比
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.距离计算方法 4.Agglomerative聚类Python实现 5.自顶向下层次聚类法 6.利用KMeans算法进行分割 7.利用平均距离进行分割 8.BIRCH聚类算法 9.PCA主成分分析
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.协方差矩阵 5.特征值和特征向量 6.主成分分析计算
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
实验26
密度聚类方法实现与应用
知识点: 1.实验介绍 2.知识点 3.密度聚类方法概述 4.DBSCAN密度聚类算法 5.DBSCAN聚类原理 6.DBSCAN相关定义 7.DBSCAN聚类算法Python实现 8.DBSCAN聚类算法scikitlearn实现 9.HDBSCAN聚类算法 10.DBSCAN与HDBSCAN聚类对比 11.HDBSCAN算法流程[选学
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
实验27
谱聚类及其他聚类方法应用
知识点: 1.谱聚类 2.无向图 3.拉普拉斯矩阵 4.无向图切图 5.谱聚类流程及实现 6.谱聚类的优势 7.亲和传播聚类 8.MeanShift 9.聚类方法选择 10.本周思维导图
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.相同条件下的算法计算效率
实验28
第 4 周挑战解析视频
第5周
深度学习框架(未开放)
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
实验30
TensorFlow 基础概念语法
知识点: 1.TensorFlow简介 2.张量Tensor 3.会话Session 4.计算图 5.TensorFlow计算示例 6.EagerExecution特性 7.TensorFlowAPI概览 8.数学计算练习
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
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
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
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 5.神经网络搭建方法小结
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
实验33
PyTorch 基础概念语法
知识点: 1.张量类型和定义 2.数学运算 3.线性代数 4.索引、切片、变换 5.张量的内部结构 6.自动微分Autograd 7.深度学习框架对比 8.高效率的张量计算,同时支持强大的GPU加速计算功能。 9.搭建深度神经网络,构建在自动求导系统之上的网络结构。
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
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
实验35
第 5 周挑战解析视频
第6周
深度神经网络(未开放)
实验36
卷积神经网络原理
知识点: 1.卷积神经网络概述 2.卷积核Kernel 3.卷积步长Stride 4.边距扩展Padding 5.高维多卷积核过程 6.最大值池化 7.平均值池化 8.LeNet神经网络 9.AlexNet神经网络 10.VGG神经网络 11.GoogleNet神经网络 12.ResNet神经网络 13.卷积神经网络的发展史
实验37
卷积神经网络构建
知识点: 1.数据预处理 2.TensorFlow高阶`tfkeras`构建 3.TensorFlow低阶`tfnn`构建 4.PyTorch低阶`nnModule`构建 5.PyTorch高阶`nnSequential`构建
挑战21
构建 LeNet5 Estimator
知识点: 1.TensorFlowEstimator使用 2.LeNet5卷积神经网络 3.[<iclass="fafaexternallinksquare"ariahidden="true">官方教程使用Estimator构建卷积神经网络</i>](https://wwwtensorfloworg/tutorials/estimators/cnn) 4.[<iclass="fafaexternallinksquare"ariahidden="true">官方指南创建自定义Estimator</i>](https://wwwtensorfloworg/guide/custom_estimators)
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 5.双向RNN 6.深度RNN
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
挑战22
使用 LSTM 自动创作诗词
知识点: 1.LSTM网络构建 2.机器写诗
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
挑战23
DCGAN 生成动漫人物头像
知识点: 1.PyTorch实践运用 2.DCGAN网络搭建
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
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
实验42
第 6 周挑战解析视频
第7周
深度学习工程(未开放)
实验43
计算机视觉:图像分类
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
实验44
计算机视觉:目标检测
知识点: 1.目标检测方法 2.RCNN家族 3.YOLO和SSD 4.目标检测应用 5.MaskRCNN 6.TensorFlowObjectDetection
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
实验45
自然语言处理:文本分类
知识点: 1.自然语言处理介绍 2.文本分类流程 3.中文文本分词 4.英文文本分词 5.文本特征提取 6.假新闻分类任务
挑战27
深度学习假新闻分类
知识点: 1.文本分类 2.深度神经网络
实验46
自然语言处理:机器翻译
挑战28
机器翻译挑战
实验47
第 7 周挑战解析视频
第8周
强化学习基础 [拓展](未开放)
实验48
强化学习介绍与示例
知识点: 1.强化学习介绍 2.强化学习与监督学习的区别 3.强化学习算法分类 4.强化学习应用 5.课外内容推荐
实验49
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 5.Policy策略函数:Agent的行为,反映Agent能采取的行动。其中,状态作为输入,以它的下一步行动决策作为输出。 6.Valuefunction价值函数:判断每一次状态(State)或行为(Action)的好坏,类似于评估采取某种行动之后的预期奖励。 7.Model模型:Model用于Agent感知环境(Environment)的变化。
挑战29
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
实验50
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
挑战30
Gym 玩 Atari 打砖块游戏
知识点: 1.OpenAIGym使用 2.打砖块游戏可视化
实验51
策略梯度强化学习方法实现
知识点: 1.策略梯度方法介绍 2.策略梯度过程推导 3.策略梯度定理 4.蒙特卡洛策略梯度算法 5.ActorCritic策略梯度算法 6.策略梯度算法实现 7.实验总结 8.本周思维导图
挑战31
使用策略梯度训练 CartPole
实验52
深度强化学习
挑战32
深度强化学习挑战
实验53
第 8 周挑战解析视频
第9周
项目挑战(未开放)
挑战33
机器学习项目挑战 Kaggle 比赛
直播2
结课直播
实验54
毕业须知
实验55
附录:深度学习环境搭建指南
实验56
附录:机器学习术语表
实验57
附录:机器学习后续学习建议
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 比特币价格预测及绘图 第8节 使用矩阵计算岭回归系数 第9节 回归方法综合应用 第10节 第11节 梯度下降法求解线性回归参数 第12节 K 近邻回归算法实现及预测 第13节 高斯分布函数实现及绘图 第14节 支持向量机实现人像分类 第15节 第16节 第17节 训练手写字符识别神经网络 第18节 决策树模型参数优化及选择 第19节 异质集成投票方法应用 使用交叉验证快速选择模型 第20节 第21节 第22节 第23节 第24节 使用 K-Means 完成图像压缩 第25节 第26节 层次聚类应用及聚类树绘制 第27节 密度聚类标记异常共享单车 第28节 常用聚类算法对比评估 第29节 第30节 第31节 TensorFlow 加州房价预测 第32节 TensorFlow 汽车评估分类 第33节 TensorFlow 时尚物品分类 第34节 第35节 PyTorch 实现线性回归 第36节 第37节 第38节 构建 LeNet5 Estimator 第39节 第40节 使用 LSTM 自动创作诗词 第41节 DCGAN 生成动漫人物头像 第42节 构建卷积自动编码器 第43节 第44节 迁移学习完成动物分类 第45节 YOLO 图像目标检测 第46节 深度学习假新闻分类 第47节 机器翻译挑战 第48节 第49节 第50节 实现 Sarsa 学习算法走出迷宫 第51节 Gym 玩 Atari 打砖块游戏 第52节 使用策略梯度训练 CartPole 第53节 深度强化学习挑战 第54节 机器学习项目挑战 Kaggle 比赛 第55节 第56节 第57节 第58节 第59节

0% Complete

加载中,精彩就在后面...

卡住了?点击重试