|
机器学习应用班 2016年-7月在线
课程介绍
本7月ml应用班将从实际案例出发，呈现真实生产环境，内容包括怎么选特征，怎么处理特征，怎么选模型，怎么评估模型，进而在项目 系统 应用的基本框架下，逐一分析：原理 代码 案例 数据 场景 模型 效果 调参。
换句话说，本课程不仅让学员了解实际BAT工业界各领域：推荐系统、图像、CTR预估、深度学习等是怎么运用一些机器学习算法的，更让学员真正学会分析数据/场景/需求（包括什么场景下用什么最好，哪个最合适 或者说怎么用最合适）、处理特征，从而根据数据/场景/需求/特征选择合适模型，处理实际机器学习问题，最终助力升职加薪。
且10次课基本每次课都有原理、有应用、有代码、有案例、有数据、有作业，这是七月在线应用类课程的标配。
预备基础：一定的编程语言、数据结构、算法基础 。
上课语言：Python为主。
课程大纲
第一课 机器学习中的数学基础
1 必要的微积分、概率统计基础
2 必要的矩阵、凸优化基础
第二课 随机森林及其应用
决策树 随机森林、GBDT、模型评估、ROC、机器学习的流程
案例：利用随机森林进行Kinect手势判断
第三课 特征工程与模型调优
内容：数据获取、数据清洗、特征抽取、特征选择与融合、模型调参
目标：掌握实际工程数据上的特征处理与特征选择，及解决实际机器学习项目的一般途径、模式
说明：实际机器学习工作中，分析问题、处理数据、处理特征占绝大部分工作
第四课 推荐系统
基于内容的推荐，协同过滤，隐语义模型，排序模型
案例：基于用户打分的电影推荐系统
学员评价：“推荐系统讲了个kaggle比赛案例，从数据清洗，特征构建，建模~整个流程过了一遍，每一步是什么思路，我个人觉得这种讲法非常好。对我比较实用，有个整体的把握。上周的特征工程和模型调优也是受益匪浅”
第五课 从分类到CTR预估
分类问题与LR, SVM, Random Forest，GBDT;从分类到CTR预估与排序
案例：电商分类与各种模型融合，CTR预估
说明：本次课程中最“贵”的一次课，之所以称为贵，是因为本次课所分享的CTR预估与排序是Google/baidu等互联网公司广告技术的重要核心点。
第六课 自然语言处理应用基础
文本的表示，文本分类，朴素贝叶斯，语言模型，HMM介绍，TFIDF
案例：用朴素贝叶斯实现新闻数据的自动分类
第七课 深度学习在自然语言处理中的应用
- 自编码网络：简单粗暴的文本向量化方法
- 语义网络：文本算法在工业上上的应用
- 卷积神经网络：CNN在自然语言处理中的应用
案例：从每日新闻中预测金融市场变化
第八课 图像检索
图像与特征提取，卷积神经网络与图像特征表示，近似最近邻
案例：基于卷积神经网络和近似最近邻的图像检索
第九课 基于深度学习模型的物体检测与识别
内容：
1.物体检测问题介绍与一般流程
2.关键技术分析（特征提取、目标框提取、NMS等）
3.最新论文选讲：从RNN到Faster-RCNN, GNN, FCN等
案例：在PASCAL数据库上训练一个Faster-RCNN模型
第十课 社交网络在工业界的应用
互联网金融反欺诈介绍
探索社交网络算法
案例：社交网络算法在金融反欺诈中的应用
下载地址:geo
| 
发表于 2017-7-17 03:36:09
发表于 2017-7-17 15:24:31
发表于 2017-8-21 12:02:11
