View Code? Open in Web Editor
NEW
This project forked from greedyaiacademy/machine-learning
讲解常见的机器学习算法
machine-learning's Introduction
机器学习课程 (copyright by greedyai)
日期 |
主题 |
知识点详情 |
项目 |
6月23日(13:00-14:30) |
机器学习介绍 |
1.1 机器学习、深度学习与人工智能1.2 监督学与非监督学习1.3 回归于分类1.4 强化学习1.5 科学库的使用1.6 数据预处理技术 |
[实践] 通过投放广告的金额预测销售额 |
6月26日(20:00-21:30) |
K-NN 最近邻 |
2.1 K-NN的核心**2.2 利用K-NN解决分类问题2.3 利用K-NN解决回归问题 |
[实战] 预测市场中二手车的价格 |
6月30日(13:00-14:30) |
线性回归与逻辑回归 |
3.1 线性回归原理3.2 逻辑回归原理3.3 逻辑回归的目标函数3.4 梯度下降法3.5 随机梯度下降法 |
[实战一] 预测A股哪些股票会涨[实战二] 预测是否银行客户会开设定期存款帐户 |
7月3日(20:00-21:30) |
朴素贝叶斯 |
4.1 朴素贝叶斯原理4.2 朴素贝叶斯与垃圾邮件识别问题4.3 为什么叫朴素?4.4 文本与单词的表示4.5 tf-idf文本向量 |
[实战] 把新闻按照不同主题做分类 |
7月7日(13:00-14:30) |
SVM支持向量机 |
5.1 Margin的介绍5.2 SVM的核心**5.3 线性SVM的原理5.4 限制条件与Hinge Loss5.5 如何将二元分类器转为多元分类器 |
[实战] 基于SVM的人脸识别引擎 |
7月14日(20:00-21:30) |
决策树与随机森林 |
6.1 决策树的介绍6.2 熵与信息增益6.3 决策树核心原理6.4 欠拟合与过拟合6.5 从决策树到随机森林6.6 随机森林的训练6.7 集成学习方法优点 |
[实战] 预测哪些员工可能会离职 |
7月17日(13:00-14:30) |
Boosting |
7.1 Boosting与Bagging方法比较7.2 Boosting的核心原理7.3 GBDT的介绍7.4 XGBoost的介绍 |
[实战] 搭建金融评分卡模型做风险控制 |
7月21日(20:00-21:30) |
矩阵分解 |
8.1 什么是隐含变量8.2 矩阵分解介绍8.3 矩阵分解的目标函数8.4 梯度下降法8.5 矩阵分解与商品推荐 |
[实战] 搭建电商商品的推荐系统 |
7月24日(13:00-14:30) |
K-means |
9.1 K-means算法原理9.2 K-means与EM9.3 随机初始化与局部最优解9.4 距离计算的潜在问题9.5 K-means++介绍 |
[实战] 通过用户分群优化营销流程 |
7月28日(20:00-21:30) |
主题模型 |
10.1 贝叶斯模型的特点10.2 贝叶斯模型与集成模型10.3 采样与近似优化10.4 吉布斯采样10.5 主题模型中的混合主题提取10.6 如何判断收敛 |
[实战] 搭建情感分析系统 |
machine-learning's People
Watchers