《机器学习》升级版V，已至底价，欢快学习

课程目标： 本课程特点是 从数学层面推导最经典的机器学习算法，以及每种算法的示例和代码实现（Python）、如何做算法的参数调试、以实际应用案例分析各种算法的选择等。

主讲老师： 邹博 小象学院独家签约

计算机博士，现科学院从事科研教学工作；主持国家级科研项目2个，副负责1个，国家专利2项，研究方向机器学习、数据挖掘、计算几何，应用于股票交易与预测、医药图像识别、智能畜牧等方向。擅长机器学习模型选择、核心算法分析和代码实现。

开课时间： 2017年5月18日

学习方式：

在线直播，共24次

每周3次（ 周二、四、六晚上20:00-22:00 ）

直播后提供录制回放视频，在线反复观看，有效期1年

升级版V的内容特色：

1.每个算法模块按照“ 原理讲解→分析数据→自己动手实现→特征与调参 ”的顺序，“原理加实践，顶天立地”。

2. 拒绝简单的“调包” ——增加3次“机器学习的角度看数学”和3次“Python数据清洗和特征提取”，提升学习深度、降低学习坡度。

3.增加网络爬虫的原理和编写，从获取数据开始，重视将实践问题转换成实际模型的能力，分享工作中的实际案例或Kaggle案例： 广告销量分析、环境数据异常检测和分析、数字图像手写体识别、Titanic乘客存活率预测、用户-电影推荐、真实新闻组数据主题分析、中文分词、股票数据特征分析 等。

4.强化 矩阵运算、概率论、数理统计 的知识运用，掌握机器学习根本。

5.阐述机器学习原理，提供配套源码和数据；确保“ 懂推导，会实现 ”。

6.删去过于晦涩的公式推导，代之以 直观解释 ，增强 感性理解。

7.对比不同的特征选择带来的预测效果差异。

8.重视 项目实践 (如工业实践、Kaggle等)，重视落地。思考不同算法之间的区别和联系，提高在实际工作中选择 算法的能力。

9.涉及和讲解的部分 Python库 有：Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn，涉及的其他“小”库在课程的实践环节会逐一讲解。

课程大纲

1、机器学习的数学基础1 - 数学分析

机器学习的一般方法和横向比较

数学是有用的：以SVD为例

机器学习的角度看数学

复习数学分析

直观解释常数e

导数/梯度

随机梯度下降

Taylor展式的落地应用

gini系数

凸函数

Jensen不等式

组合数与信息熵的关系

2 、机器学习的数学基础2 - 概率论与贝叶斯先验

概率论基础

古典概型

贝叶斯公式

先验分布/后验分布/共轭分布

常见概率分布

泊松分布和指数分布的物理意义

协方差(矩阵)和相关系数

独立和不相关

大数定律和中心极限定理的实践意义

深刻理解最大似然估计MLE和最大后验估计MAP

过拟合的数学原理与解决方案

3、机器学习的数学基础3 - 矩阵和线性代数

线性代数在数学科学中的地位

马尔科夫模型

矩阵乘法的直观表达

状态转移矩阵

矩阵和向量组

特征向量的思考和实践计算

QR分解

对称阵、正交阵、正定阵

数据白化及其应用

向量对向量求导

标量对向量求导

标量对矩阵求导

4、Python基础1 - Python及其数学库

解释器Python2.7与IDE：Anaconda/Pycharm

Python基础：列表/元组/字典/类/文件

Taylor展式的代码实现

numpy/scipy/matplotlib/panda的介绍和典型使用

多元高斯分布

泊松分布、幂律分布

典型图像处理

蝴蝶效应

分形

5、Python基础2 - 机器学习库

scikit-learn的介绍和典型使用

损失函数的绘制

多种数学曲线

多项式拟合

快速傅里叶变换FFT

奇异值分解SVD

Soble/Prewitt/Laplacian算子与卷积网络

卷积与(指数)移动平均线

股票数据分析

6、Python基础3 - 数据清洗和特征选择

实际生产问题中算法和特征的关系

股票数据的特征提取和应用

一致性检验

缺失数据的处理

环境数据异常检测和分析

模糊数据查询和数据校正方法、算法、应用

朴素贝叶斯用于鸢尾花数据

GaussianNB/MultinomialNB/BernoulliNB

朴素贝叶斯用于18000+篇/Sogou新闻文本的分类

7、回归

线性回归

Logistic/Softmax回归