午夜精品久久久久久久久,亚洲不卡中文字幕无码,国产日韩一区二区三区在线观看

課程背景 COURSE BACKGROUND

本課程為高級課程，專注于機器學習算法，原理，以及算法實現及優化。

課程收益 PROGRAM BENEFITS

熟悉常見的機器學習的算法。
掌握機器學習的算法原理，以及數據推導。
學會使用Python來實現機器學習算法，以及優化算法。
掌握scikit-learn擴展庫來實現機器學習算法。

課程大綱 COURSE OUTLINE

機器學習基礎
機器學習簡介
機器學習的種類
監督學習/無監督學習/半監督學習/強化學習
批量學習和在線學習
基于實例與基于模型
機器學習的主要戰挑
數據量不足
數據質量差
無關特征
過擬合/擬合不足
機器學習任務
監督：分類、回歸
無監督：聚類、降維、關聯規則
機器學習基本過程
模型評估指標
回歸：R^2, MAE/MSE/RMSE/MAPE
分類：Acc,Recall,Precision,F1，ROC曲線,AUC
模型評估方法
訓練集/驗證集
交叉驗證
過擬合評估
過擬合檢驗
過擬合解決方法：正則化
正則化：
L1正則項
L2正則項
模型參數優化
交叉驗證
網格搜索GridSearchCV
隨機搜索RandomizeSearchCV
機器學習常用庫

回歸任務算法
線性回歸模型
一元線性回歸
多元線性回歸
線性回歸算法
損失函數
普通最小二乘法OLS
欠擬合解決方法
多項式回歸
過擬合的優化算法：正則化
嶺回歸（Ridge）
套索回歸Lasso
ElasticNet回歸
各種算法的適用場景
超參優化
大規模數據集回歸：迭代算法
隨機梯度下降
批量梯度下降
小批量梯度下降
梯度算法的關鍵問題
邏輯回歸
邏輯回歸模型
邏輯回歸的算法
原理
數學推導
正則項處理
其它優化：
迭代樣本的隨機選擇
變化的學習率
求解算法與懲罰項的關系
多分類處理
ovo
ovr
線性判別分析
判別分析簡介
基本思想
判別分析算法
數學推導
類間/類內散度矩陣
多分類處理
迭代樣本的隨機選擇
變化的學習率
求解算法與懲罰項的關系

支持向量機
支持向量機簡介
作用：回歸、分類、異常檢測
適用場景
線性SVM分類
基本原理
支持向量
SMO算法
非線性SVM分類
常用核函數
線性核函數
多項式核
高斯RBF核
核函數的選擇原則
線性不可分處理：松弛系數
決策樹
決策樹模型
構建決策樹的三個關鍵問題
決策樹的訓練
決策樹的可視化
決策樹常用算法
ID5
CART
正則化參數
決策樹預測的基本步驟

神經網絡
神經網絡模型
工作原理：加法器、激活函數
適用場景
神經網絡的建立步驟
BP算法實現
多層感知器MLP
隱藏層的數量
神經元的個數
樸素貝葉斯
貝葉斯簡介
條件概率
常見貝葉斯網絡
樸素貝葉斯
算法實現
連續變量處理：高斯分布
拉普拉斯修正

集成算法
分類模型優化思想
優化框架
Bagging
Boosting
Bagging集成
原理
隨機森林
Boosting集成
原理
AdaBoost
無監督算法

結束：課程總結與問題答疑。