没错!威斯康辛大学《机器学习导论》课件、视频资源已开放!
共 2893字,需浏览 6分钟
·
2020-12-25 01:29
对于机器学习领域的初学者来说,这会是很好的入门课程。目前,课程的笔记、PPT 和视频正在陆续发布中。
1.1 课程概述:「Stat 451:机器学习导论(FS 2020)」的简介
1.2 什么是机器学习:机器学习的定义,以及机器学习与编程的关系
1.3 机器学习的类别:讨论了机器学习的三大类,监督学习、无监督学习和强化学习
1.4 符号:介绍了将在本课程中使用的机器学习形式和符号
1.5 ML 应用:走向机器学习程序的主要步骤,以及机器学习组件的分类
1.6 ML 动力:关于学习机器学习的不同观点和动力
2.1 最近邻算法:介绍最近邻算法,概览最近邻算法的应用和最新进展
2.2 最近邻决策边界:包括 1 - 最近邻决策边界背后的概念,此外还列出了一些常见的距离度量
2.3 K - 最近邻算法:将 1 - 最近邻概念扩展到 k - 最近邻算法,进行分类和回归
2.4 K - 最近邻的 Big O:K - 最近邻简单实现的 Big O 运行时间复杂度
2.5 K - 最近邻的提升:总结一些提升 K - 最近邻计算性能和预测效率的常见技巧
2.6 Python 中的 K - 最近邻:利用 scikit-learn,在 Python 中使用 K - 最近邻。这节课中使用的 Jupyter 笔记本从这里获取:https://github.com/rasbt/stat451-machine-learning-fs20/blob/master/L02/code/02_knn_demo.ipynb
3.1 Python 概述:这节课将讨论 Python 的用法,进行 C 和 Python 的快速演示(也许并不是很有吸引力)
3.2 Python 设置:演示如何在 MacOS 上使用 Miniconda 安装 Python,另外提供了有关 conda 软件包管理器的简短演示
3.3 运行 Python 代码:演示运行 Python 代码的不同方式,包括 REPL、IPython、.py 脚本和 Visual Studio Code
4.1 NumPy 基础知识介绍
4.2 NumPy 数组的创建及索引
4.3 NumPy 数组的数学运算和通用函数
4.4 NumPy 的广播机制
4.5 NumPy 高级索引–内存视图和副本
4.6 NumPy 随机数生成器
4.7 重塑 NumPy 数组
4.8 NumPy 比较运算符和掩码
4.9 NumPy 线性代数基础
4.10 Matplotlib
5.1 从表格文本文件读取数据集
5.2 基本数据处理
5.3 面向对象的编程和 Python 类
5.4 Scikit-Learn 简介
5.5 Scikit-Learn Transformer API
5.6 Scikit-Learn 管道
6.1 决策树简介
6.2 递归算法和 Big-O
6.3 决策树的类型
6.4 分割标准
6.5 基尼系数 & 熵与误分类误差:阐释在 CART 决策树的信息增益方程式中,为什么要使用熵(或基尼)代替误分类误差作为杂质度量
6.6 改进和处理过拟合:将决策树的一些问题(例如过拟合)融合在一起并讨论改进方法,例如增益比、预剪枝和后剪枝
6.7 代码示例:如何使用 scikit-learn 训练和可视化决策树的快速演示
7.1 集成方法简介:讨论了包括绝对多数投票法(majority voting)、套袋法(bagging)、随机森林(random forests)、堆栈(stacking)、梯度提升(gradient boosting)等最受欢迎、使用最广泛的机器学习方法。
7.2 绝对多数投票法:讨论最基本的模型集成之一「绝对多数投票」,通过示例解释为什么它比使用单个分类器更好
7.3 套袋法:介绍了偏差 - 方差权衡和分解,以了解套袋法的用途
7.4Boosting 和 AdaBoost:讨论 boosting 的概念,然后介绍了 AdaBoost,该方法将弱分类器(比如决策树桩)提升为强分类器
7.5 梯度提升:在 AdaBoost 使用权重作为训练示例来提升下一轮树的情况下,梯度提升使用损失的梯度来计算残差以适应序列中的下一棵树,视频中提到的论文地址:https://dl.acm.org/doi/pdf/10.1145/2939672.2939785
7.6 随机森林:讲解随机森林及其与套袋法之间的关系,以及为什么随机森林在实践中的效果优于套袋法
7.7 堆栈:介绍 Wolpert 堆栈算法,并展示如何在 mlxtend 和 scikit-learn 中使用堆栈分类器
L08:基础部分,欠拟合和过拟合
L09:重采样方法
L10:交叉验证
L11:统计测试和算法选择
L12:评估指标
L13 - 功能选择
L14 - 特征提取
L15 - 聚类
L16 - 贝叶斯方法简介
L17 - 贝叶斯最佳分类器
L18 - 朴素贝叶斯分类器
L19 - 贝叶斯网络
课件资料
领取方式:
长按扫码,发消息 [课件]