阶段一 数学基础 |
本课程主要从数据分析、概率论和线性代数及矩阵这三大块讲解基础,方便大家后续课程的学习中更好的理解机器学习和深度学习的相关算法内容。
|
一、数据分析 |
1)常数e
2)导数
3)梯度
4)Taylor
5)gini系数
6)信息熵与组合数
|
二、概率论 |
1)概率论基础
2)古典模型
3)常见概率分布
4)大数定理和中心极限定理
5)协方差(矩阵)和相关系数
6)似然估计和后验估计
|
三、线性代数及矩阵 |
1)线性空间及线性变换
2)矩阵的基本概念练
3)状态转移矩阵
4)特征向量
5)矩阵的相关乘法
6)矩阵的QR分解
7)对称矩阵、正交矩阵、正定矩阵
8)矩阵的SVD分解
9)矩阵的求导
10)数据白化及其应用
|
阶段一 Python基础 |
一、环境搭建 |
1)Python环境安装
2)Anaconda
3)PyCharm
|
二、Python基础语法 |
1)变量
2)数据类型
3)列表
4)元组
5)字典
6)控制语句
7)循环语句
8)函数
9)类对象
|
三、Python常用库 |
1)numpy:
用Numpy创建数组并查看其属性
Numpy的基本运算
Numpy的基本函数
索引,切片和迭代
形状操作
深拷贝
广播法则
2)pandas:
Series的创建和基本的操作
DataFrame的创建和基本的操作
Panel的创建和基本的操作
用Pandas常用函数查看和操作数据
3)scipy:
基本可以代替Matlab的工具包,方便、易于使用、专为科学和工程设计的Python工具包.它包括统计,优化,整合,线性代数模块,傅里叶变换,信号和图像处理,常微分方程求解器等
4)matplotlib:
Python著名的绘图系统
散点图,折线图,条形图,直方图,饼状图,箱形图的绘制
坐标轴的调整,添加文字注释,区域填充,及特殊图形patches的使用
5)time
Python 时间模块常用函数
|
四、Python机器学习模块 |
Scikit-Learn |
阶段三 Python机器学习 |
一、机器学习 |
1)机器学习概述
2)定义问题
|
二、数据预处理 |
1)特征抽取
2)特征转换
3)归一化
4)降维
|
三、回归算法 |
1)线性回归
2)逻辑回归
3)Ridge岭回归
4)Lasso回归
5)Elastic Net算法
6)KNN K近邻算法
|
四、决策树、随机森林和提升算法 |
1)决策树算法
2)决策树优化
3)Boosting算法
4)随机森林
5)Adaboost算法
6)GBDT算法
7)LightGBM算法
|
五、贝叶斯算法 |
1)朴素贝叶斯
2)贝叶斯网络
|
六、支持向量机 |
1)线性可分支持向量机
2)核函数方法
3)SMO算法
4)SVM回归SVR和分类SVC
|
七、聚类算法 |
1)各种相似度距离测度方法
2)K-Means算法
3)K-Means算法优缺点
4)密度聚类
5)层级聚类
6)谱聚类
|
八、隐马尔可夫模型 |
1)隐马可夫模型的基本概念
2)概率计算问题
3)前向/后向算法
4)维特比算法
|
九、大熵模型 |
1)大熵原理
2)大熵模型的学习
3)大似然估计
4)模型学习的优化算法
|
十、EM算法 |
1)EM算法原理及收敛性
2)EM算法在高斯混合模型学习中的应用
|
十一、条件随机场 |
1)条件随机场的定义与形式
2)条件随机场的学习方法
|
十二、LDA主题模型 |
1)LDA主题模型概述
2)共轭先验分布
3)狄利克雷分布
4)Laplace平滑
5)Gibbs采样详解
6)LDA与词向量Word2Vec效果比较
|
阶段四 大数据机器学习 |
一、Spark入门 |
1)Spark分布式安装
2)Spark核心算子操作
|
二、Spark进阶 |
1)Spark核心模块剖析
2)PySpark
|
三、Spark MLlib模块 |
Spark MLlib |
四、案例 |
1)PageRank
2)交通路况预测
3)股票预测
|
阶段五 深度学习 |
一、深度学习基础 |
1)卷积神经网络CNN
2)循环神经网络RNN
3)自编码器
4)多层感知机
|
二、Tensorflow框架入门 |
1)TensorFlow框架特性与安装
2)Tensorflow编程基础
3)案例:Softmax Regression识别手写数字
|
三、Tensorflow框架进阶 |
1)Tensorflow源代码解析
2)Tensorboard可视化
3)Tensorflow卷积神经网络实现
4)案例:卷积网络做图片分类
5)Tensorflow实现经典AlexNet
|
四、Tensorflow框架其他实现 |
1)Tensorflow 自编码网络实现
2)Tensorflow多层感知机实现
3)Tensorflow利用循环神经网络实现Word2Vec词向量
|
五、Tensorflow 并行计算 |
Tensorflow 并行计算 |
六、Keras框架 |
1)Keras简介及Keras中的数据处理
2)Keras中的模型
3)Keras中的重要对象
4)Keras中的网络层构造
|