请选择 进入手机版 | 继续访问电脑版
查看: 298|回复: 0

机器学习,应用班,七月在线,7月_机器学习应用班-2016,IT资源网

[复制链接]

9万

主题

9万

帖子

28万

积分

管理员

管理员

Rank: 9Rank: 9Rank: 9

积分
281531
QQ
发表于 2022-5-29 08:14:59 | 显示全部楼层 |阅读模式
下载地址:
加入VIP超值  
游客,如果您要查看本帖隐藏内容请回复

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:
加入VIP超值  
游客,如果您要查看本帖隐藏内容请回复
回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

QQ|Archiver|手机版|IT视频教程资源网 ( 粤ICP备2022015727号 )

GMT+8, 2024-3-29 02:02 , Processed in 2.195553 second(s), 24 queries .

快速回复 返回顶部 返回列表

客服
热线

微信 webshop6
7*24小时微信 客服服务

扫码添
加微信

添加客服微信 webshop6 获取更多

关注
公众号

关注微信公众号 webjianzhan