课程简介与机器学习发展史.pptx

机器学习365天特训营

Youarewhoyouare!你就是你！无可替代！IamwhoIam!我就是我，不一样的烟火！想负剑走天涯，看看世界的繁华！也想悠然南山下，静坐深柳读书堂！自我介绍

365天的钻研学问，也是一件美事覆盖数学基础、经典机器学习算法、机器学习理论、机器学习前沿、机器学习实战基础：线性代数、概率论、数字信号处理等关于我们的课程

简单数学基础PART_1线性代数基础PART_2概率论基础课程大纲

第一章机器学习简介引言、基本术语、假设空间、归纳偏好、发展历程、应用现状第二章模型评估与选择经验误差与过拟合、评估方法、性能度量与比较检验课程大纲

第三章线性模型基本形式、线性回归、对数几率回归、线性判别分析、多分类学习、类别不平衡问题第四章决策树基本流程、划分选择、剪枝处理、连续与缺失值、多变量决策树第五章神经网络?神经元模型、感知机与多层网络、误差逆传播算法、全局最小与局部极小、其他常见神经网络课程大纲

第六章深度学习?卷积神经网络CNN基本原理，开源深度学习框架与常见卷积网络模型，循环神经网络RNN，生成模型与对抗生成网络，keras：图像识别，时序模型，自然语言处理等，Tensorflow，TFSlim，Tensorlayer，包括相关分类、检测和分割等例子课程大纲

第七章支持向量机间隔与支持向量、对偶问题、核函数、软间隔与正则化、支持向量回归、核方法第八章贝叶斯分类器贝叶斯决策论、极大似然估计、（半）朴素贝叶斯分类器、贝叶斯网、EM算法第九章集成学习?个体与集成、Boosting、Bagging与随机森林、结合策略、多样性课程大纲

第十章聚类聚类任务、性能度量、距离计算、原型聚类?、密度聚类、层次聚类第十一章降维与度量学习k近邻学习、低维嵌入、主成分分析、核化线性降维、流形学习、度量学习第十二章特征选择与稀疏学习子集搜索与评价、过滤式选择、包裹式选择、嵌入式选择与L_1正则化、稀疏表示与字典学习、压缩感知课程大纲

第十三章计算学习理论基础知识、PAC学习、有限假设空间、VC维、Rademacher复杂度、稳定性第十四章半监督学习未标记样本、生成式方法、半监督SVM、图半监督学习、基于分歧的方法、半监督聚类第十五章概率图模型隐马尔可夫模型、马尔可夫随机场、条件随机场、学习与推断、近似推断、话题模型课程大纲

第十六章规则学习基本概念、序贯覆盖、剪枝优化、一阶规则学习、归纳逻辑程序设计第十七章强化学习任务与奖赏、?K-摇臂赌博机、有模型学习、免模型学习、值函数近似、模仿学习第十八章增量学习被动攻击学习、适应正则化学习、增量随机森林课程大纲

第十九章迁移学习迁移学习简介、迁移学习的分类方法、代表性研究成果第二十章主动学习主动学习简介、主动学习思想、主动学习VS半监督学习及?Self-Learning第二十一章多任务学习使用最小二乘回归、分类的多任务学习课程大纲

第二十二章机器学习应用场景介绍机器学习经典应用场景，头脑风暴：挖掘身边的应用场景第二十三章数据预处理数据降噪、数据分割第二十四章特征提取时域特征、频域特征、自动特征提取课程大纲

第二十五章机器学习项目实战1使用机器学习分类、机器学习调参、分类结果展示第二十六章机器学习项目实战2O2O优惠券使用预测、鲍鱼年龄预测、机器恶意流量识别、根据用户轨迹进行精准营销，根据搜狗输入进行用户画像，美国债务违约预测课程大纲

机器学习：研究如何构造理论、算法和计算机系统，让机器通过从数据中学习后可以进行如下工作：分类和识别事物、推理决策、预测未来等。Wiki:“Thedesignanddevelopmentofalgorithmsthattakeasinputempiricaldataandyieldpatternsorpredictionsthatgeneratedthedata.”机器学习概述

机器学习概述数据获取特征提取和选择预处理分类决策分类器设计

机器学习概述

主要分类和学习方法数据聚类统计分类结构模式识别神经网络监督学习无监督学习半监督学习集成学习增强学习深度学习

目标：用某种相似性度量的方法将原始数据组织成有意义的和有用的各种数据集。是一种非监督学习的方法，解决方案是数据驱动的。数据聚类

基于概率统计模型得到各类别的特征向量的分布，以取得分类的方法。特征向量分布的获得是基于一个类别已知的训练样本集。是一种监督分类的方法，分类器是概念驱动的。相似度模型（Rocchio、K-近邻）、概率模型（贝叶斯）、线性模型（LLSF、SVM）、非线性模型（决策树、神经网络）、组合模型。统计分类

基于概率统计模型得到各类别的特征向量的分布，以取得