1

10 月机器学习算法班 [王牌课程 八大升级]

在此之前,七月在线已经开过6期ML算法课程,培养数千名ML人才,而每一期都会在上一期的基础上优化、升级。上半年的4月ML算法班首次增加特征工程、模型调优等内容,从此奠定七月在线ML课程的王牌地位。本10月ML算法班,较4月ML算法班有八大升级,更偏实践应用、更多实践案例、更高课程质量,大有“五岳归来不看山 黄山归来不看岳”之感。

  • 开班时间:20次直播课已上完,现在报名看视频
  • 课程时长: 20次课 [每次课至少两小时,课上课后答疑]
  • 价       格:原价1200,目前限时特价499元
我要报名 加入购物车

来自真正工业实践,真正工业人士授课的工业课程,专注直播答疑/解决问题/视频反复看、内容八大升级、博士+BAT技术主管上课



一、八大升级

    网上视频很多,但由于没有个性化的内容、辅导、答疑,导致不少初学者看再多视频,视频看再多次,都是迷迷糊糊、不成体系。

    本10月机器学习算法班,除了主讲老师阵容更加强大,在线直播全程答疑(课上实时答疑、课后集中答疑),且上课内容根据欲听课学员的反馈个性化定制,着重为初学者扫清前进道路上的障碍,为进阶者进一步巩固、提升,让所有学员都能在理论和实践层面入门机器学习,领略其强大魅力之外,与以往所有ML算法课程相比,有重大升级和优化,主要体现在以下方面:


1.  增CTR预估与learning to rank/排序

  非常贵的一次课,众所周知,CTR预估与排序是Google/baidu等互联网公司广告技术的重要核心点。

2.  增加Xgboost/fastRGF等工业大杀器分享

  如寒所说:“RF和GBDT是工业界大爱的模型,Xgboost 是大杀器包裹,历届大量的Kaggle比赛中都呈现Xgboost一统江湖的局面,另外滴滴比赛第一名的改进也少不了Xgboost的功劳”

3.  增加FastText、WaveNet等最新内容

  紧跟最新论文、分享最新技术,增加word2vec/FastText(NLP处理神器,用途广泛)、WaveNet(用卷积神经网络模拟人的声音)等内容。

4.  内容更加标准化

  20次课,基本每次课都有原理、有应用、有代码、有案例、有数据、有作业,此早已成为七月在线ML/DL类课程的标配。

5.  手把手教你一步步做ML/DL实验

  新增一系列牛逼、有趣、高大上的实验,比如DL学梵高画星空、学汪峰作词、CNN模拟人唱歌等等,且助教会撰写此类实验的详细图文教程以及答疑辅导,挖掘背后原理,手把手教你一步步做ML/DL实验。拒绝纸上谈兵,只有动手做实验才能真正收获。
6.  除了会用,还要知道怎么用更好
  结合实际案例理解机器学习算法,从数据清洗、特征处理、模型构建、模型调优到实际机器学习项目分析,除了让大家了解实际工业界是怎么用这些机器学习算法的,更让学员真正学会分析数据/场景/需求(包括什么场景下用什么最好,哪个最合适 或者说怎么用最合适)、处理特征,从而根据数据/场景/需求/特征选择合适模型,处理实际机器学习问题,最终助力升职加薪。
7.  内推更加强大 
  优秀学员除了可内推国内BAT、国外flag之外,更可内推美团、京东、小米、华为以及众多C轮/D轮公司。
8.  增加更多kaggle案例 

  除了将分享更多kaggle案例之外,还将继续带领/组织/指导大家参加阿里/滴滴/Kaggle等大数据或算法比赛,用实际数据说话,帮助学员在实际数据上更快成长,提升、锻炼学员能力,而且参加比赛的过程中经历数据处理、特征选择、模型调优、代码调参,是一个极好的真刀真枪的实战机会,对找/换工作的帮助非常大。



二、直播答疑、视频反复看

上课方式:在线QQ群视频直播上课,天南地北,只要想听,谁都有机会报名参加。
课后视频:一周两课,每周六周日下午上课。提供上课视频供课后随时反复观看、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:大学里学过编程、概率统计(且本课程前3次课帮复习数学)、数据结构&算法即可。最重要的是对机器学习感兴趣、想深入。主要Python授课。

课程福利:3个月全程辅导,课上课后答疑,及与牛人师兄互助讨论,帮你省下独自一人苦苦探索而浪费的巨大时间成本。3个月的课程结束后,有问题依然可以随时在群内或社区提问讨论。



三、讲师团队


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。本次课程负责前三次数学基础课。
寒小阳   目前在一著名电商公司负责搜索广告相关业务,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,备受学员好评。本次课程负责回归、特征工程、模型调优、CTR预估、推荐系统及深度学习部分。
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。本次课程负责SVM、贝叶斯网络、HMM等部分。
王博士   计算机博士毕业,从事数据挖掘、大规模社交网络分析、社会计算等领域研究近5年,常年在互联网一线打拼,致力于将学术产业化。现从事金融反欺诈工作,利用特征工程与机器学习技术搭建自动化线上信贷反欺诈模型。本次课程负责聚类等部分。
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。本次课程负责决策树、LDA主题模型、采样与变分等部分。
钱老师 佐治亚理工毕业,做DM工程师,kaggle比赛拿过TOP 15
龚老师 西安交大应用数学专业博三,擅长机器学习和数学推导,研究方向为统计学习理论与机器学习。熟悉正则化算法的泛化分析,同时对Domain adaption, Life-long learning, semi-supervised learning有所研究,在IEEE Trans on Cybernetics和SCI上发表多篇论文。本次课程负责最大熵与EM算法等课。


四、课程福利

  • 课程实验本课程会手把手带你做一系列实验,且助教会撰写实验的详细图文教程 + 答疑辅导包括cuda安装、caffe/tensorflow搭建和编译、github资源包调用、出结果,手把手教你一步步做ML/DL实验。比如用DL学梵高作画(GPU版 CPU版)、学汪峰作词CNN学人唱歌实时风格转化用DQN玩flappy bird自动聊天机器人、字幕生成、图像着色、图像自动生成、看图说话等等。且不仅仅只是run出来就可,更要挖掘其背后原理,知其然更知其所以然。

PS

图一和图二中的两同事都非讲师,一PHP一市场,为了用DL学梵高作画,两人第一遍一整夜,后来一下午连搞三遍,一遍比一遍快。欢迎各位自个尝试下:GTX 1070 cuda 8.0 Ubuntu 14.04 cudnn 5.1 tensorflow gpu(后面又用CPU整了下)。我们会在本课程上带领大家做更多实验,我们三虽不讲课,但会辅助讲师团队带动更多人一起动手。为啥?学ML/DL,一定要动起手来,动手去做,迈开第一步。拒绝纸上谈兵、拒绝做言语上的巨人、行动上的矮子

  • 线下讲座。报名本课程之后,在北京的可免费参加11月份起的一系列周末线下大牛讲座(不在北京的可以免费参加各地研讨会,并免费得到PPT等技术资料)。讲座主题涵盖:机器学习、深度学习、自然语言处理等等。




五、推荐有奖

  • 拉人组团报名更优惠。推荐身边同学/朋友一块组队报名,推荐人与被推荐人双双各送100元上课券,且推荐几人送几百,1K上限,微博私信@研究者July 领取。上课券可用于本9月ML算法班、9.24日开班的量化交易班、以及购买之前的课程/视频,比如:计算机视觉班Python数据分析班机器学习应用班机器学习中的数学班6月数据挖掘班5月深度学习班4月机器学习算法班等等。
  • 推广送红包或上课券把本课程链接:https://www.julyedu.com/course/getDetail/47(内容随便写),发微博或朋友圈即送5元红包或10元上课券。另把本课程链接发ML微信群或MLQQ群,每发一个即送5元红包或10元上课券(10个群封顶)。红包或上课券领取方式:加此QQ群123531805,找到群主July,把截图发他,他便会立送你红包。 



六、ML求职

近几年,ML发展迅猛,越来越多的各大公司开始大力招聘机器学习算法工程师,月薪基本在2~5万,有经验且能力强的非常吃香




七、学员评价

前三次课数学基础,我们专注解决问题、助君入门



第4~6课 开始工程实践、分享真正工业经验,且工业实战越来越强,比如手撕..手推SVM,全是干货



第八课 重中之重:特征工程



第13&14课 贝叶斯网络与HMM,课后备受称赞



第18次课


课程大纲暂定如下,后续会有微调:
第1课 概率论与数理统计
Taylor展式、梯度下降和牛顿法初步、Jensen不等式、
常见分布与共轭分布、切比雪夫不等式、大数定理、中心极限定理、矩估计、极大似然估计

第2课 矩阵和线性代数
特征向量、对称矩阵对角化、线性方程

第3课 凸优化
凸集、凸函数、凸优化、KKT条件

第4课 回归
知识内容:线性回归、logistic回归、梯度下降
实践示例:线性回归与拟合,Logistic回归与分类
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5课 决策树、随机森林、GBDT/xgboost/fastRGF
决策树 随机森林、GBDT、xgboost、fastRGF
实践案例:使用随机森林进行数据分类

第6课 SVM
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7课 最大熵与EM算法
熵、相对熵、信息增益、最大熵模型、IIS、GMM

第8课 特征工程
内容:数据获取、数据清洗、特征抽取、特征选择与融合
目标:掌握实际工程数据上的特征处理与特征选择

第9课 模型调优
内容:实际机器学习项目下的场景分析、算法选择、模型构建与调优、kaggle示例
目标:掌握一个实际工业界完整的机器学习模型构建的流程

第10课 推荐系统
基于内容的推荐,协同过滤,隐语义模型,排序模型
实践案例:基于用户打分的电影推荐系统

第11课 从分类到CTR预估
分类问题与LR, SVM, Random Forest,GBDT;从分类到CTR预估与排序
实践案例:电商分类与各种模型融合,CTR预估


第12课 聚类
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 贝叶斯网络
朴素贝叶斯、有向分离、马尔科夫模型


第14课 隐马尔科夫模型HMM
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15课 主题模型
pLSA、共轭先验分布、LDA
实践案例:使用LDA进行文档分类

第16课 采样与变分
MCMC/KL(p||q)与KL(q||p)

第17课 人工神经网络
全连接神经网络、BP算法、链式法则
实践案例:用BP网络做样本数据分类

第18课 深度学习之CNN
卷积操作、Polling操作
理解卷积网络、卷积网络训练以及GPU加速
实践案例:卷积网络在图像分类中的应用

第19课 深度学习之RNN
RNN 网络、LSTM
实践案例:回归网络在自然语言处理中的应用(利用RNN学汪峰写歌词、学小四写文章)

第20课 深度学习实践
Caffe 入门教程
Tensor Flow/MxNet 简介
实践案例:使用Torch进行图像分类及卷积网络可视化的深度学习实践


大纲讨论稿:https://ask.julyedu.com/question/7381

返回顶部