Skip to main content

机器学习-深度探索 集智

Machine Learning

Enroll in ML002

课程概述

生动讲述深度学习背后的理论,让听起来熟悉又陌生的词汇不再是黑盒。本课程着重关注算法、原理的讲解,使学习者真正获得直观的感性理解。

课程目标
  • 机器学习的统计学基础
  • 机器学习的最优化基础
  • 线性判别相关算法
  • 深度学习相关知识
适用人群
  • 有大学数学基础

授课师资

Course Staff Image #2

九品夹

密歇根大学在读博士后,研究方向:深度学习模式识别。

已在IEEE TIP、IEEE TGRS等图像处理领域和遥感领域的顶级期刊和国际会议发表10余篇论文,担任国际SCI期刊IEEE GRSL审稿人。

在机器学习应用方面积累了丰富的工程经验,以技术负责人和技术骨干身份参与了10余项课题和项目的研究(包括型号任务、国际合作项目等),多项成果投入实际应用。

课程大纲

第 0 章 - 前言

第 1 节 关于本门课程

第 2 节 什么是机器学习

第 3 节 机器学习与深度学习发展概述

第 1 章 - 机器学习的统计学基础(上)

第 1 节 概率与随机变量

第 2 节 正态分布

第 3 节 独立同分布与极大似然估计

第 4 节 极大后验估计

第 2 章 - 机器学习的统计学基础(下)

第 1 节 过拟合

第 2 节 偏差与方差

第 3 节 超参数学习与模型选择

第 4 节 维度灾难

第 5 节 信息论与熵

第 6 节 贝叶斯统计

第 3 章 - 机器学习的最优化基础

第 1 节 无约束优化方法1-一阶梯度型方法

第 2 节 无约束优化方法2-二阶梯度型方法

第 3 节 无约束优化方法3-随机梯度法

第 4 节 等式约束优化方法

第 5 节 不等式约束优化方法

第 6 节 深度神经网络中优化的难点

第 4 章 - 广义线性判别分析(上)

第 1 节 概率密度估计

第 2 节 生成式模型 vs 判别式模型

第 3 节 判别式模型的基本范式

第 4 节 Logistic 回归

第 5 章 - 广义线性判别分析(下)

第 1 节 Softmax

第 2 节 支持向量机

第 3 节 Perception

第 4 节 几类经典损失函数比较

第 6 章 - 深度学习热点与常用技巧

第 1 节 CNN 基本结构与性质

第 2 节 RNN 基本结构与性质

第 3 节 关于采样

第 4 节 数据增广

第 5 节 模型集成

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:

    ML002
  2. 课程开始:

    Nov 22, 2018
  3. 课程价格:

    ¥365
Enroll