1

机器学习算法班 第八期 [六大阶段 逐层递进]

  • 开班时间:5.6日开课,每周六周日晚上8-10点上课
  • 课程时长: 20次课[每次课至少2小时,课上课后答疑]
  • 价       格:原价1200,已上前19次课,目前717周年庆之间秒杀价599
  • 课程咨询 App内购买享49元优惠
我要报名 加入购物车

扫描下载七月在线app

IOS
Android

立即参团

请务必填写真实信息,成团之后会第一时间通知您

参团费:5元

支付方式:

来自真正工业实践,真正工业人士授课的工业课程,且本第8期更加侧重实战项目辅导,六大阶段、层层深入、直通ML的本质及其应用



特色一、直播答疑 解决问题
上课时间:5.6日开课,每周六周日晚上8-10点直播上课。
上课方式:在线QQ群视频直播上课,课上课后答疑、且课后有视频可反复看、复习(PC端用Google浏览器登陆官网在线观看、手机端可APP下载观看)。
所需基础:学过编程/微积分/线代,有一定的数据结构/算法基础,了解机器学习。且对ML感兴趣、想深入。

特色二、项目驱动 实战第一
本课程从机器学习中的数学基础、到基本模型、特征工程、工业实战、高阶知识、深度学习,六大阶段,层层深入、逐层递进,直通机器学习本质与其应用,且解决以下十大问题

  1. 微积分与矩阵知识在机器学习中如何应用
  2. 逻辑回归如何在海量工业实战数据下应用
  3. 如何对商品销量进行高准确率预测
  4. 如何使用隐马尔可夫模型(HMM)对中文进行分词
  5. 如何使用随机森林和支持向量机(SVM)对数据进行分类
  6. 如何使用Tensorflow构建RNN模型进行分类预测
  7. 如何使用LDA等对文档进行分类
  8. 如何自己构建数据集并使用Caffe进行分类
  9. 如何使用xgboost与lightGBM在Kaggle比赛中获胜
  10. 如何使用循环神经网络抓取文本特征


特色三、讲师天团 有史最强

管博士
加州大学洛杉矶分校(UCLA)数学博士,中科大数学学士,五年数学课讲课经验,目前在华尔街一家金融公司做数据处理等工作。
邓博士
布朗大学应用数学博士兼中科大高分子物理博士,数学功底扎实,且有多年的ML工业应用经验。曾担任startup 公司Parkloco chief data scientist, 目前就职Google广告部门,负责实时大数据分布式处理系统。
寒小阳
著名电商搜索广告负责人,多年实际ml/DL/dm项目经验,专注海量数据上机器学习算法的应用与优化。做过推荐系统、NLP、点击率预估、图像识别。讲课清晰易懂,擅长用实际数据、代码、案例说话,备受数千名学员好评。
冯老师 专注机器学习/人工智能,擅长解释机器学习中看似艰深晦涩的概念,熟悉模型背后的数学原理。曾工作于某知名私募的量化交易团队,参与高频交易中统计学习模型的开发。课堂上善于全程举例,所讲直达本质且不失生动有趣。
加号 主攻Deep Learning,牛津大学计算机系毕业,曾师从Google DeepMind的领军人物Prof. Nando de Freitas。UiiTech创始人,原TypeScore首席数据科学家。现就职于伦敦某投资银行的金融创新实验室(Innovation Lab),专注金融行业的AI构架与大数据产品研发。
彭博士
浙大博士毕业,现任职于BAT其中一家的人工智能实验室,专攻深度学习和图像。在多个顶级会议和期刊上发表过多篇学术论文,SIGIR x3、UbiComp、TKDE、CIKM、ICMR,也是TKDE的审稿人。业余喜欢刷kaggle,曾拿到top 3%。
Johnson
CMU计算机博士,熟练机器学习、统计与凸优化。曾工作于百度、谷歌等公司的AI实验室。更在AAAI/IJCAI/AISTATS等顶级会议上发表过多篇论文。
褚老师 芝加哥大学计算机博士,研究方向为NLP、ML、DL,熟练当前深度学习在NLP领域的模型与应用。



往期学员评价


六大阶段,从数学、到基本模型、特征工程、工业实战、高阶知识、深度学习,层层深入、逐层递进,直通机器学习本质与其应用
第一阶段 夯实数学基础
第1课 机器学习中的微积分与矩阵(管)
Taylor展式、梯度下降和牛顿法初步 
特征向量、对称矩阵对角化、线性方程

第2课 概率与凸优化(邓)
矩估计、极大似然估计
凸集、凸函数、凸优化、KKT条件

第二阶段 掌握基本模型 打开ML大门
第3课 回归问题与应用(寒)
知识内容:线性回归、logistic回归、梯度下降 
实践示例:分布拟合与回归、用LR分类与概率预测 
工程经验: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

第4课 决策树、随机森林、GBDT(加)
知识内容:决策树 随机森林、GBDT 
实践案例:使用随机森林进行数据分类

第5课 SVM(冯)
知识内容: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 
实践案例: 使用SVM进行数据分类

第6课 最大熵与EM算法(褚)
熵、相对熵、信息增益、最大熵模型、IIS、GMM

第三阶段 重中之重 特征工程
第7课 机器学习中的特征工程处理(寒)
知识内容:数据清洗、异常点处理、特征抽取、选择与组合策略 
实践动手:特征处理与特征选择工具与模板

第8课 多算法组合与模型最优化(寒)
知识内容:机器学习问题场景分析、算法选择、模型构建、模型性能分析与优化策略 
实践动手:构建模型组合策略工具与模板

第四阶段 工业实战 在实战中掌握一切
第9课 sklearn与机器学习实战(寒)
知识内容:sklearn板块介绍,组装与建模流程搭建 
实践案例:经典Titanic案例,商品销量预测案例等

第10课 高级工具xgboost/lightGBM与建模实战(寒)
知识内容:xgboost与lightGBM使用方法与高级功能 
实践案例:Titanic与商品销量预测进阶,Kaggle案例实战

第11课 用户画像与推荐系统(寒)
知识内容:基于内容的推荐,协同过滤,隐语义模型,learning to rank,推荐系统评估 
实践案例:实际打分数据上的推荐系统构建

第12课 聚类(赵)
K-means/K-Medoid/层次聚类
实践示例:K-means代码实现和实际应用分析

第13课 聚类与推荐系统实战(寒)
案例:用户聚类结合推荐算法,构建推荐系统完整案例(送完整可运行的代码)

第五阶段 高阶知识 深入机器学习
第14课 贝叶斯网络(冯)
朴素贝叶斯、有向分离、马尔科夫模型

第15课 隐马尔科夫模型HMM(冯)
概率计算问题、参数学习问题、状态预测问题 
实践案例:使用HMM进行中文分词

第16课 主题模型(加)
pLSA、共轭先验分布、LDA 
实践案例:使用LDA进行文档分类

第六阶段 迈入深度学习 打开DL大门
第17课 神经网络初步(寒)
知识内容:全连接神经网络、反向传播算法与权重优化,训练注意点 
实践案例:构建神经网络解决非线性切分问题

第18课 卷积神经网络与计算机视觉(彭)
知识内容:卷积神经网络结构分析、过拟合与随机失活,卷积神经网络理解 
实践案例:工业界常用网络结构与搭建

第19课 循环神经网络与自然语言处理(寒)
知识内容:循环神经网络、长时依赖问题与长短时记忆网络,BPTT算法 
实践案例:利用循环神经网络生成文本、学汪峰写歌词

第20课 深度学习实践(寒) 
知识内容:Caffe应用要点、TensorFlow/Keras简介 
实践案例:用Caffe在自己的数据集上完成分类,用Tensorflow构建RNN模型分类预测