从“猿”到“金刚”，机器学习让你在职业生涯超进化！

正文

请到「今天看啥」查看全文

： 广告销量分析、环境数据异常检测和分析、数字图像手写体识别、Titanic乘客存活率预测、用户-电影推荐、真实新闻组数据主题分析、中文分词、股票数据特征分析 等。

4.强化 矩阵运算、概率论、数理统计 的知识运用，掌握机器学习根本。

5.阐述机器学习原理，提供配套源码和数据；确保 “懂推导，会实现” 。

6.删去过于晦涩的公式推导，代之以 直观解释 ，增强 感性理解 。

7.对比不同的特征选择带来的预测效果差异。

8.重视 项目实践 (如工业实践、Kaggle等)，重视落地。思考不同算法之间的区别和联系，提高在实际工作中 选择算法的能力 。

9.涉及和讲解的部分 Python库 有：Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn，涉及的其他“小”库在课程的实践环节会逐一讲解。

开课时间

2017年8月2日

学习方式

在线直播 ，共24次

每周 3 次（周一、三、五晚20:00-22:00）

直播后提供录制 回放 视频

可在线 反复 观看，有效期 1 年

课程大纲

第一课：机器学习的数学基础1 - 数学分析

1.  机器学习的一般方法和横向比较

2.  数学是有用的：以SVD为例

3.  机器学习的角度看数学

4.  复习数学分析

5.  直观解释常数e

6.  导数/梯度

7.  随机梯度下降

8.  Taylor展式的落地应用

9.  gini系数

10. 凸函数

11. Jensen不等式

12. 组合数与信息熵的关系

第二课：机器学习的数学基础2 - 概率论与贝叶斯先验

1.  概率论基础

2.  古典概型

3.  贝叶斯公式

4.  先验分布/后验分布/共轭分布

5.  常见概率分布

6.  泊松分布和指数分布的物理意义

7.  协方差(矩阵)和相关系数

8.  独立和不相关

9.  大数定律和中心极限定理的实践意义

10.  深刻理解最大似然估计MLE和最大后验估计MAP

11.  过拟合的数学原理与解决方案

第三课：机器学习的数学基础3 - 矩阵和线性代数

请到「今天看啥」查看全文