Skip to main content

机器学习-基础入门 集智

本课程将讲解有关机器学习任务和模型评价的基本概念,并介绍常用的计算机算法,提供了有用且实用的技术。最后,你还能学习到一些有关深度学习的理论和相关的应用。

Enroll in ML001

课程概述

本课程将讲解有关机器学习任务和模型评价的基本概念,并介绍常用的计算机算法,包括决策树,贝叶斯,KNN,SVM,及深度神经网络。课程还在自然语言处理(NLP)和模式识别中提供了有用且实用的技术。最后,你还能学习到一些有关深度学习的理论和相关的应用。

课程目标
  • 学习常用的计算机算法
  • NLP 和模式识别领域有用且实用的技术
  • 一些有关深度学习的理论和相关的应用
适用人群
  • 有大学数学基础
包含案例
  • 垃圾邮件分类

授课师资

Course Staff Image #2

秦曾昌

北京航空航天大学自动化学院副教授 ,英国布里斯托大学 (University of Bristol) 计算机系硕士,布里斯托大学工程数学系的人工智能博士。

2006年2月到2008年2月在美国加州大学伯克利分校(University of California, Berkeley)电子与计算机系(EECS)任英国电信特聘博士后研究员(BT Fellow)。

在模糊逻辑的创始人Lotfi Zadeh的研究组 (BISC) 从事文本挖掘和智能搜索的研究。并在其间任英国电信研究院智能系统试验室访问研究员(Intelligent Systems Lab, British Telecommunications Research Ipswich)。

2008 年3月到英国牛津的Optimor Lab任研究员,并兼任牛津大学(University of Oxford)统计系访问研究人员。

课程大纲

第 0 章 - 认识人工智能

第 1 节 - 人工智能真面目

第 2 节 - AlphaGo背后原理

第 3 节 - AI的应用简介

第 1 章 - 机器学习哲学

第 1 节 - 方法论与准则

第 2 节 - 机器学习常见问题

第 3 节 - 监督、无监督与半监督学习

第 2 章 - 线性拟合

第 1 节 - 算法介绍

第 2 节 - 损失函数与学习过程

第 3 节 - 牛顿方法

第 4 节 - 线性拟合的概率解释

第 5 节 - 信息论与熵

第 6 节 - 贝叶斯统计

第 3 章 - KNN与聚类

第 1 节 - KNN简介

第 2 节 - 用KNN处理预测问题

第 3 节 - KNN中的距离

第 4 节 - 聚类

第 4 章 - 决策树与朴素贝叶斯

第 1 节 - 信息熵

第 2 节 - 决策树(一)

第 3 节 - 决策树(二)

第 4 节 - 朴素贝叶斯简介

第 5 节 - 极大似然与朴素贝叶斯

第 6 节 - 朴素贝叶斯处理垃圾邮件介

服务保障

  • 学习:视频、讲义
  • 练习:课后练习、自动判题
  • 答疑:活跃社区讨论
  1. 课程编号:

    ML001
  2. 课程开始:

    Nov 22, 2018
  3. 每周课时:

    08:00
  4. 课程价格:

    ¥315
Enroll