做网站百度收录,计算机网站开发是那个语言,网页升级中永久跳转,企业用什么做网站该阶段详细介绍各个机器学习范式方法#xff0c;涵盖有监督、无监督、半监督、强化学习#xff0c;以及深度学习算法基础#xff0c;共计 72 课时。
第一节#xff1a;华为云 ModelArts 云服务开发环境搭建 - #xff08;2 课时#xff09; - 华为云 ModelArts 云服务简…该阶段详细介绍各个机器学习范式方法涵盖有监督、无监督、半监督、强化学习以及深度学习算法基础共计 72 课时。
第一节华为云 ModelArts 云服务开发环境搭建 - 2 课时 - 华为云 ModelArts 云服务简介 - ModelArts 实例购买及创建ModelArts 实例配置 - 本地 PycharmModelArts 云服务搭建本地-云端混合开发环境第二节分类模型之 KNN 模型 - 2 课时 - KNNk 最邻近算法基本原理算法实现过程样本距离的计算 - Python 原生代码手撕 KNN 基本算法实现 - SCIKIT-LEARN 机器学习算法库介绍SCIKIT-LEARN 实现 KNN 算法红酒数据检测SCIKIT-LEARN 实现 KNN 算法威斯康辛州女性乳腺癌检测第三节分类模型的评估及优化方案 - 2 课时 - 超参数 K超参数学习曲线交叉验证K 折交叉验证带有 K 折交叉验证的超参数学习曲线关于交叉验证的折数问题 - 特征转换与缩放什么是标准化、归一化、中心化数据的量纲问题网格搜索网格搜索原理与实现第四节分类模型之决策树模型① - 2 课时 - 决策树基本组成结构详解决策树的基本原理决策树的决策过程与条件概率分布 - 决策树的学习算法决策树构建过程决策树的属性划分选择不纯性度量方法信息熵、基尼指数、分类误差信息增益、信息增益率数据集划分数据集最佳切分函数第五节分类模型之决策树模型② - 2 课时 - Python 原生代码手撕决策树 ID3 算法实现决策树的拟合度优化决策树的剪枝 - CCP 后剪枝算法原理决策树的 C4.5 算法决策树的 CART 算法CART 分类回归树模型 - 使用 SCIKIT-LEARN 实现决策树模型树模型的常用参数、属性和方法剪枝超参数决策树算法总结第六节分类模型的评估指标 - 2 课时 - 什么是样本不均衡问题混淆矩阵的概念准确率、精确度、召回率、F1 曲线、ROC曲线、PR 曲线 - Sklearn 的混淆矩阵相关 API第七节分类模型之贝叶斯分类器模型 - 2 课时 - 条件概率的理论回顾条件概率的定义条件概率的乘法定理全概率公式及贝叶斯公式条件概率的独立性 - 贝叶斯决策论极大似然估计法估计后验概率朴素贝叶斯分类器算法的基本原理原生 Python 代码手撕朴素贝叶斯分类器算法实现 - 朴素贝叶斯分类器的 SCIKIT-LEARN 实现半朴素贝叶斯分类器及贝叶斯网络第八节分类模型之逻辑回归模型 - 2 课时 - 逻辑回归算法的基本原理梯度下降法梯度下降和梯度上升梯度下降法的调优 - 逻辑回归算法的 SCIKIT-LEARN 实现第九节分类模型之 SVM 支持向量机 - 2 课时 - SVM 算法基本原理基本概念Hard-margin SVMSVM 求解划分超平面 - SVM 的核方法常用的核函数线性可分与线性不可分SCIKIT-LEARN 实现 SVM模型第十节回归模型之线性回归① - 2 课时 - 线性回归算法基本原理回归算法的核心逻辑线性回归的优化目标最小二乘法原理推导 - 多元线性回归的原生 Python 手撕代码实现线性回归的模型评估指标 - 线性回归的 SCIKIT-LEARN 实现第十一节回归模型之线性回归② - 2 课时 - 多重共线性问题多重共线性的问题推导及解决方案 - L1 与 L2 正则化岭回归与套索回归 - L1 正则化与嵌入式特征选择算法第十二节聚类模型之基于划分的聚类KMeans 聚类 - 2 课时 - K 均值聚类算法的基本原理簇内误差平方和的定义与基本原理 - 原生 Python 代码手撕 K 均值聚类算法实现K 均值聚类算法的 SCIKIT-LEARN 实现K 均值聚类器对象常用属性和方法 - K-MediodsK 中心点聚类算法原理K 中心点聚类算法的手撕 Python 实现及sklearn 实现GMM 高斯混合聚类算法原理高斯混合聚类的 sklearn 实现第十三节聚类模型之基于层次的聚类及基于密度的聚类 - 2 课时 - 聚类模型的评估指标轮廓系数基于轮廓系数选择最优超参数层次聚类算法AGNES、BIRCH、CURE - 密度聚类算法DBSCAN、OPTICS谱聚类算法第十四节数据预处理之数据清洗 - 2 课时 - 缺失值填充为何需要处理缺失值缺失值填充方法均值填充0 值填充众数填充中位数填充 - Sklearn 的缺失值填充 API异常值检测原理四分位数检测法箱线图检测法3检测法异常值填充方法第十五节数据预处理之特征工程特征编码与特征转换 - 2 课时 - 特征离散化处理等宽分箱法等频分箱法信息熵分箱法决策树分箱法卡方分箱法 - 类别型特征的特征编码及转换哑变量编码读热编码序列化编码 - 连续型特征的特征编码及转换标准化处理、归一化处理、中心化处理第十六节数据预处理之特征工程特征选择 - 2 课时 - 子集搜索与评价过滤式特征选择方差过滤法卡方检验法皮尔逊相关系数法 - 嵌入式特征选择法L1 正则化第十七节数据预处理之特征工程降维算法 - 2 课时 - 降维算法 MDS 的原理推导PCA 降维算法的原理推导特征值分解基本原理 - 奇异值分解 SVD 介绍SVD 与 PCA 的关系PCA 主成分分析降维算法的 sklearn 实现 - 降维算法之 K 均值聚类算法的降维应用非结构化数据的矢量量化技术实现第十八节集成学习之 Bagging 集成法决策树与随机森林 - 2课时 - 个体与集成的关系集成学习算法的基本通用思想 - Bagging 集成算法的基本原理随机森林算法基本原理 - 分类随机森林的 sklearn 实现随机森林的超参数学习曲线及模型调优 - 回归随机森林的 sklearn 实现回归随机森林的应用案例使用回归森林预测并填充缺失值第十九节集成学习之 Boosting 提升法Adaboost 自适应增强模型 - 2 课时 - Adaboost 自适应增强算法的原理推导Adaboost 的误差界 - Adaboost 分类器的 sklearn 实现Adaboost 回归器的 sklearn 实现第二十节集成学习之 Boosting 提升法GBDT\GBRT 梯度提升树模型与 xgboost 模型 - 2 课时 - GBDT\GBRT 梯度提升分类回归树算法基本原理梯度下降法在梯度提升树中的应用 - GBDT\GBRT 的 sklearn 实现Xgboost 算法原理xgboost 的 sklearn 实现第二十一节深度学习基础理论与神经网络基础① - 2 课时 - 什么是神经网络什么是深度学习 - 人工神经网络基本结构关于深度学习的学习路线推荐与经验分享深度学习模型构建流程 - 由逻辑回归模型引入单层与多层感知机深度学习任务的数据集划分及预处理初始化模型参数方法Kaiming 法与 Xavier 法第二十二节深度学习基础理论与神经网络基础② - 2 课时 - 激活函数的定义激活函数的作用常见的激活函数及其性质和应用 - 梯度不稳定问题与激活函数的关系 - 优化器原理常见的梯度下降法优化器 - Normalization 数据规范化BN 规范与 LN 规范 - 正则化提升模型表现分类模型的评估指标第二十三节CNN 卷积神经网络基础① - 2 课时 - 卷积神经网络基本概念计算机视觉技术的应用前景介绍 - 卷积网络的卷积运算原理- 卷积的各种类型池化层与全连接层第二十四节CNN 卷积神经网络基础② - 2 课时 - CNN 经典网络论文精读AlexNet 深度卷积神经网络论文精读 - CNN 经典网络论文精读ResNet 深度卷积神经网络论文精读 - CNN 经典网络论文GoogleNet、VGG 网络介绍第二十五节RNN 循环神经网络基础① - 2 课时 - 循环神经网络基本概念循环神经网络的典型应用常见 - 循环神经网络的原理循环神经网络的训练标准 RNN 网络存在的问题第二十六节RNN 循环神经网络基础② - 2 课时 - RNN 网络经典变体LSTM 长短期记忆网络、GRU 门控循环单元论文精读 - LSTM、GRU 网络实战项目第二十七节生成式模型代表生成式对抗网络GAN① - 2课时 - 生成式模型简介常见的生成式模型种类 - GAN 网络核心原理 - 早期原始 GAN 网络论文精读第二十八节生成式模型代表生成式对抗网络GAN② - 2课时 - GAN 网络经典变体CycleGAN 论文精读 - GAN 网络经典变体StyleGAN 论文精读 - GAN 网络经典变体DCGAN 论文精读第二十九节独立于传统有/无监督学习的第三种机器学习范式强化学习① - 2 课时 - 强化学习简介强化学习的定义与背景强化学习的应用领域强化学习与其他机器学习范式的对比 - 强化学习基本概念智能体、环境、动作、状态、奖励 - 强化学习的奖励假设强化学习的马尔可夫决策过程MDP模型第三十节独立于传统有/无监督学习的第三种机器学习范式强化学习② - 2 课时 - 强化学习的核心算法值函数与测录基于值函数的强化学习算法Q-Learning - 基于策略的强化学习算法策略梯度方法第三十一节独立于传统有/无监督学习的第三种机器学习范式强化学习③ - 2 课时 - 强化学习与深度学习的结合深度强化学习简介 - 深度 Q 网络、深度策略网络、深度确定性策略梯度算法第三十二节独立于传统有/无监督学习的第三种机器学习范式强化学习④ - 2 课时 - 高级强化学习算法双重深度 Q 网络、深度 Q 网络的经验回放 - 高级强化学习算法深度 Q 网络的目标网络、预测性动作选择第三十三节领先的机器学习范式半监督学习① - 2 课时 - 什么是半监督学习半监督学习发展简史、半监督学习的应用领域 - 半监督学习发展的重要性解读 - 有监督学习与无监督学习回顾半监督学习与有/无监督学习的联系和区别
附赠①Python 基础编程快速入门录播36 课时 该阶段详细介绍机器学习所必须掌握的 Python 编程知识共计 36 课时。
附赠②机器学习的数学理论基础录播84 课时 该阶段详细介绍学习数据挖掘算法所必须的数学理论包含微积分、线性代数、概率论与数理统计及凸优化理论共计 84 课时。
