機器學習講師版-AI100-專題視頻課程
機器學習講師版—2536人已學習
課程介紹
AI100特邀中科院教授卿來雲老師,從零開始講解機器學習知識,45天系統實訓!12個真實應用案例!直播+案例+實訓,層層遞進,直通機器學習的本質及其應用! 該系列課程包括機器學習所需的數學基礎、算法應用、模型及實際案例。講師,乾貨十足,課程羣實時答疑,機器學習相關資料不定期分享。手把手領你走進機器學習的大門!
課程收益
從原理到實戰應用,擺脫枯燥的公式,由淺入深,爲快速進入人工智能行業,進軍金融、醫療、教育等領域,成爲一名機器學習工程師,奠定堅實的基礎!
講師介紹
AI100更多講師課程
AI100致力於推進人工智能和數據科學領域的人才培養。目標是在 2025 年前爲中國培養100萬人工智能工程師,200萬各行業數據科學講師,幫助30萬中國企業走向智能化。
課程大綱
第1章:機器學習簡介
1.(一)機器學習概述 5:29
2.(二)機器學習應用場景舉例 21:56
3.(三)常見機器學習任務 25:58
4.(四)一個典型的機器學習案例 20:33
5.(五)機器學習組成部分 31:30
6.(六)總結 6:52
7.(七)課堂測試和作業:迴歸問題數據集 12:51
8.(八)第一節課課後答疑 4:21
第2章:第一個機器學習實例
1.第一個機器學習實例(上) 01:08:54
2.第一個機器學習實例(下) 01:08:54
3.(一)學習環境搭建 30:43
4.(二)機器學習案例:波士頓房價預測 3:58
5.(三)數據讀取 6:05
6.(四)數據預處理 31:08
7.(五)模型訓練 20:42
8.(六)梯度下降算法及優化 6:14
9.(七)模型評估 38:37
第3章:Logistic迴歸分析及神經網絡
1.(一)Logistic迴歸基本原理 34:33
2.(二)多類Logistic迴歸 6:09
3.(三)分類模型的評價 28:05
4.(四)Scikit learn 中的Logistic迴歸實現 19:01
5.(五)模型選擇與參數調優 5:22
6.(六)案例分析 25:21
第4章:支持向量機(SVM)
1.支持向量機(SVM)(完整版-上) 57:10
2.支持向量機(SVM)(完整版-下) 54:16
第5章:降維與矩陣分解
1.(一)神經網絡基本原理 13:12
2.(二)優化:反向傳播(BP) 26:46
3.(三)Scikit learn實現 4:03
4.(四)案例分析:書寫數字識別 9:14
5.(五)PCA原理 29:36
6.(六)Scikit learn中的PCA實現 31:19
第6章:聚類
1.(一)聚類概覽 5:04
2.(二)常用聚類算法 5:57
3.(三)K-means 31:54
4.(四)層次聚類 13:37
5.(五)Affinity Propagation 10:49
6.(六)DBSCAN 12:32
7.(七)聚類性能評估 21:48
8.(八)案例分析 23:43
第7章:特徵工程
1.特徵工程(上) 01:12:08
2.特徵工程 (下) 51:48
第8章:決策樹及基於樹的集成模型:隨機森林
1.分類迴歸樹 53:15
2.隨機森林 01:02:07
第9章:梯度提升決策樹(GBDT)
1.梯度提升決策樹(GBDT)(上) 57:03
2.梯度提升決策樹(GBDT)(下) 57:04
第10章:梯度提升決策樹(GBDT)二
1.梯度提升決策樹(GBDT)二 01:44:35
第11章:推薦系統與廣告點擊率(CTR)預估
1.(一)推薦系統出現的背景 17:53
2.(二)基於協同過濾的推薦 49:19
3.(三)基於內容的推薦 12:37
4.(四)基於知識的推薦 3:06
5.(五)推薦系統的評價 10:37
6.(六)案例分析:事件推薦 33:10
第12章:廣告點擊率(CTR)預估和模型融合
1.廣告點擊率(CTR)預估和模型融合(完整版) 02:15:09
大家可以點擊【查看詳情】查看我的課程
課程介紹
AI100特邀中科院教授卿來雲老師,從零開始講解機器學習知識,45天系統實訓!12個真實應用案例!直播+案例+實訓,層層遞進,直通機器學習的本質及其應用! 該系列課程包括機器學習所需的數學基礎、算法應用、模型及實際案例。講師,乾貨十足,課程羣實時答疑,機器學習相關資料不定期分享。手把手領你走進機器學習的大門!
課程收益
從原理到實戰應用,擺脫枯燥的公式,由淺入深,爲快速進入人工智能行業,進軍金融、醫療、教育等領域,成爲一名機器學習工程師,奠定堅實的基礎!
講師介紹
AI100更多講師課程
AI100致力於推進人工智能和數據科學領域的人才培養。目標是在 2025 年前爲中國培養100萬人工智能工程師,200萬各行業數據科學講師,幫助30萬中國企業走向智能化。
課程大綱
第1章:機器學習簡介
1.(一)機器學習概述 5:29
2.(二)機器學習應用場景舉例 21:56
3.(三)常見機器學習任務 25:58
4.(四)一個典型的機器學習案例 20:33
5.(五)機器學習組成部分 31:30
6.(六)總結 6:52
7.(七)課堂測試和作業:迴歸問題數據集 12:51
8.(八)第一節課課後答疑 4:21
第2章:第一個機器學習實例
1.第一個機器學習實例(上) 01:08:54
2.第一個機器學習實例(下) 01:08:54
3.(一)學習環境搭建 30:43
4.(二)機器學習案例:波士頓房價預測 3:58
5.(三)數據讀取 6:05
6.(四)數據預處理 31:08
7.(五)模型訓練 20:42
8.(六)梯度下降算法及優化 6:14
9.(七)模型評估 38:37
第3章:Logistic迴歸分析及神經網絡
1.(一)Logistic迴歸基本原理 34:33
2.(二)多類Logistic迴歸 6:09
3.(三)分類模型的評價 28:05
4.(四)Scikit learn 中的Logistic迴歸實現 19:01
5.(五)模型選擇與參數調優 5:22
6.(六)案例分析 25:21
第4章:支持向量機(SVM)
1.支持向量機(SVM)(完整版-上) 57:10
2.支持向量機(SVM)(完整版-下) 54:16
第5章:降維與矩陣分解
1.(一)神經網絡基本原理 13:12
2.(二)優化:反向傳播(BP) 26:46
3.(三)Scikit learn實現 4:03
4.(四)案例分析:書寫數字識別 9:14
5.(五)PCA原理 29:36
6.(六)Scikit learn中的PCA實現 31:19
第6章:聚類
1.(一)聚類概覽 5:04
2.(二)常用聚類算法 5:57
3.(三)K-means 31:54
4.(四)層次聚類 13:37
5.(五)Affinity Propagation 10:49
6.(六)DBSCAN 12:32
7.(七)聚類性能評估 21:48
8.(八)案例分析 23:43
第7章:特徵工程
1.特徵工程(上) 01:12:08
2.特徵工程 (下) 51:48
第8章:決策樹及基於樹的集成模型:隨機森林
1.分類迴歸樹 53:15
2.隨機森林 01:02:07
第9章:梯度提升決策樹(GBDT)
1.梯度提升決策樹(GBDT)(上) 57:03
2.梯度提升決策樹(GBDT)(下) 57:04
第10章:梯度提升決策樹(GBDT)二
1.梯度提升決策樹(GBDT)二 01:44:35
第11章:推薦系統與廣告點擊率(CTR)預估
1.(一)推薦系統出現的背景 17:53
2.(二)基於協同過濾的推薦 49:19
3.(三)基於內容的推薦 12:37
4.(四)基於知識的推薦 3:06
5.(五)推薦系統的評價 10:37
6.(六)案例分析:事件推薦 33:10
第12章:廣告點擊率(CTR)預估和模型融合
1.廣告點擊率(CTR)預估和模型融合(完整版) 02:15:09
大家可以點擊【查看詳情】查看我的課程
發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.