spContent=Machine Learning(机器学习)是人工智能的核心,本课程用通俗和结合案例的方式,讲解机器学习算法,如经典算法:线性回归、逻辑回归、决策树等,也将讲解近几年才出现的如XGBoost、LightGBM等集成学习算法。通过本课程,你不仅得到理论基础的学习,而且获得那些利用机器学习解决问题的实用技术,包括机器学习工具的使用等等。
Machine Learning(机器学习)是人工智能的核心,本课程用通俗和结合案例的方式,讲解机器学习算法,如经典算法:线性回归、逻辑回归、决策树等,也将讲解近几年才出现的如XGBoost、LightGBM等集成学习算法。通过本课程,你不仅得到理论基础的学习,而且获得那些利用机器学习解决问题的实用技术,包括机器学习工具的使用等等。
—— 课程团队
课程概述
机器学习是研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。
这门课中,我们主要讲解经典的机器学习算法,如线性回归、逻辑回归、决策树等,也将讲解近几年才出现的如XGBoost、LightGBM等集成学习算法。此外,这门课还会讲解利用机器学习解决问题的实用技术,还包括Python、Scikit-learn工具的使用等等。
通过这门课,学习者将初步理解主流的机器学习算法,并且可以用机器学习技术解决现实生活中的问题。
与国内外很多非常优秀的机器学习课程或作品相比(如吴恩达机器学习课程、李航老师的统计学习方法、周志华老师的《机器学习》等),本课程对初学者来说,属于“雪中送炭”,而不是“锦上添花”,更适合初学者学习,主要解决初学者的三个问题:就是资料太多,难以取舍;理论性强,初学比较困难; 代码资料比较少。只要有本科三年级以上的数学知识,会一种编程语言,就可以掌握这门课程的绝大部分内容。
授课目标
1、掌握机器学习的基本问题定义、基本模型,对机器学习学科有概览性的认识。
2、掌握目前主流的机器学习算法和模型,并能够根据实际问题的需要选择并实现相应的算法。
3、编程完成机器学习典型应用实例,对机器学习工程编程有初步的训练
课程大纲
引言
课时目标:机器学习课程的引言部分
1.1 机器学习概述
1.2 机器学习的类型
1.3 机器学习的背景知识
1.4 机器学习的开发流程
回归
课时目标:监督学习算法的回归算法
2.1 线性回归
2.2 梯度下降
2.3 正则化
2.4 回归的评价指标
逻辑回归
课时目标:监督学习的分类算法,本章介绍逻辑回归算法
3.1 分类问题
3.2 Sigmoid函数
3.3 逻辑回归求解
3.4 逻辑回归的代码实现
朴素贝叶斯
课时目标:朴素贝叶斯算法的相关知识讲解
4.1 贝叶斯方法
4.2 朴素贝叶斯原理
4.3 朴素贝叶斯案例
4.4 朴素贝叶斯代码实现
机器学习实践
课时目标:机器学习实践的相关知识
5.1 数据集划分
5.2 评价指标
5.3 正则化、偏差和方差
机器学习库Scikit-learn
课时目标:机器学习库Scikit-learn介绍
6.1 机器学习库Scikit-learn概述
6.2 机器学习库Scikit-learn的主要用法
6.3 机器学习库Scikit-learn的使用案例
KNN算法
课时目标:KNN算法的相关知识讲解
7.1 距离度量
7.2 KNN算法
7.3 KD树划分
7.4 KD树搜索
决策树
课时目标:决策树算法的相关知识讲解
8.1 决策树原理
8.2 ID3算法
8.3 C4.5算法
8.4 CART算法
集成学习
课时目标:集成学习的相关知识和几种典型的算法
9.1 集成学习方法概述
9.2 AdaBoost和GBDT算法
9.3 XGBoost算法
9.4 LightGBM算法
9.5 集成学习代码实现
人工神经网络
课时目标:人工神经网络概念和反向传播算法
10.1 人工神经网络概述
10.2 感知机算法
10.3 反向传播算法(BP算法)
支持向量机
课时目标:支持向量机的相关知识讲解
11.1 支持向量机概述
11.2 线性可分支持向量机
11.3 线性支持向量机
11.4 线性不可分支持向量机
11.5 支持向量机代码实现
聚类
课时目标:无监督学习算法讲解,聚类算法
12.1 无监督学习概述
12.2 K-means聚类
12.3 密度聚类和层次聚类
12.4 聚类的评价指标
降维
课时目标:无监督学习算法讲解,降维算法
13.1 降维概述
13.2 SVD(奇异值分解)
13.3 PCA(主成分分析)
关联规则
课时目标:无监督学习算法讲解,关联规则
14.1 关联规则概述
14.2 Apriori 算法
14.3 FP-Growth算法
机器学习项目流程
课时目标:一个完整的机器学习项目讲解
15.1 机器学习项目流程概述
15.2 数据清洗
15.3 特征工程
15.4 数据建模
展开全部
预备知识
数学基础:主要包括高等数学、线性代数、概率论与数理统计。
编程基础:已经掌握一种编程工具,会使用Python进行简单地编程。
参考资料
参考书:
- 机器学习入门基础(微课版),黄海广 徐震 张笑钦,清华大学出版社,2023,ISBN:9787302619581
- Pattern Recognition and Machine Learning (模式识别与机器学习),Christopher M. Bishop, 2006
- 统计学习方法,李航,清华大学出版社,2019
- 机器学习, 周志华,清华大学出版社,2016
参考网络资源:
- "Machine Learning” by Andrew Ng, https://www.coursera.org/course/ml
- Github:https://github.com/fengdu78/WZU-machine-learning-course
常见问题
Q : 课程的有配套教材吗?
A : 课程的配套教材为:
机器学习入门基础(微课版),黄海广,徐震,张笑钦,清华大学出版社,2023,ISBN:9787302619581
Q : 课程的资源可以下载吗?
A : 课程的代码和ppt(pdf版本),都可以在Github:https://github.com/fengdu78/WZU-machine-learning-course 下载。
Q : 教师可以下载原版的ppt文件吗?
A : 教师请用edu邮箱发邮件给黄海广老师:haiguang2000@wzu.edu.cn,说明姓名,学校,即可收到原版ppt文件。