学好机器学习，这里有想要的一切
2017年人工智能就已經(jīng)列入了國務(wù)院的人工智能發(fā)展規(guī)劃中，人工智能將成為推動(dòng)中國發(fā)展的新生科技力量，并在未來扮演著越來越重要的角色，在這一背景下，機(jī)器學(xué)習(xí)會慢慢成為一個(gè)程序員必備的底層能力。
對于想要了解或從事AI行業(yè)工作的小伙伴們來說，能夠快速、深入的掌握機(jī)器學(xué)習(xí)相關(guān)知識顯得尤為重要，小編給大家整理機(jī)器學(xué)習(xí)的學(xué)習(xí)方法。
?機(jī)器學(xué)習(xí)學(xué)習(xí)方法
如何去學(xué)，或者說如何高效的學(xué)以及學(xué)習(xí)的步驟和側(cè)重點(diǎn)非常重要。
1、切勿掉入書山中，實(shí)踐理論結(jié)合重要
很多人可能會一頭扎進(jìn)書山中埋頭苦讀，讀完一本接著一本最后發(fā)現(xiàn)什么都懂點(diǎn)什么又都沒懂，這樣效率是很低的。在IT界，實(shí)踐才能學(xué)到東西，不要一直看書，可以邊看邊試試寫點(diǎn)代碼，實(shí)現(xiàn)個(gè)小公式，小算法，這樣進(jìn)步快一些。
2、采取并行學(xué)習(xí)法而非串行
這幅圖可以作為學(xué)習(xí)的基本流程，但是未必需要前面具備才往后進(jìn)行，可以一邊學(xué)基礎(chǔ)，一邊寫代碼，一邊還可以做比賽，這樣前期會痛苦一些，但在后面的學(xué)習(xí)過程中，速度會很快。
3、建立知識框架，修補(bǔ)知識漏洞
上面這幅圖是是sklearn的機(jī)器學(xué)習(xí)算法筆記，你可以在學(xué)習(xí)中去建立類似的筆記，有助于建立起整個(gè)學(xué)習(xí)框架，對于不懂得，再不斷從細(xì)節(jié)去學(xué)。
4、找到適合你的課程，跟著從頭到尾學(xué)
如果你是上班族或者沒有專業(yè)的老師給你講這門課，那么報(bào)一門適合你的課程從頭到尾跟著學(xué)就非常重要了，不要過于相信你的自制力，沒有人和你一起學(xué)，你學(xué)了很久也看不到進(jìn)步，慢慢興趣就沒了，所以找到能從頭到尾給你講的課程也很重要，這里，我想推薦一門《機(jī)器學(xué)習(xí)》給你。
請相信我，這是一堂性價(jià)比爆炸的課程，超值到你如果不買，會后悔的那種。
先做個(gè)簡單介紹：
課程名：《機(jī)器學(xué)習(xí)》
上課時(shí)間：6月22日開課；課程直播時(shí)間為10周，20課時(shí)，40小時(shí)直播；課程有效期為12個(gè)月，有效期內(nèi)均可反復(fù)觀看課程內(nèi)容。
課程價(jià)格：僅售399元。
學(xué)習(xí)形式：在線直播課程+講師答疑+微信班級群交流，全程由班主任+多位專業(yè)助教帶班，報(bào)名后在小象學(xué)院官網(wǎng)或服務(wù)號可學(xué)習(xí)課程。
報(bào)名，咨詢，查看課程，請點(diǎn)擊文末【閱讀原文】
主講老師
?
秦曾昌??
英國布里斯托(Bristol)大學(xué)碩士、博士。美國加州大學(xué)伯克利分校(UC Berkeley)博士后、牛津 (Oxford) 大學(xué)與卡內(nèi)基梅隆大學(xué) (CMU) 訪問學(xué)者。目前主要研究方向?yàn)閿?shù)據(jù)挖掘、跨媒體檢索與自然語言理解。出版英文專著1本（Springer出版）、編輯論文集1本和專業(yè)論文或章節(jié) (Book Chapter) 90余篇。同時(shí)在IT工業(yè)界做機(jī)器學(xué)習(xí)、大數(shù)據(jù)、人工智能等專業(yè)技術(shù)咨詢工作。
升級特點(diǎn)
?
1.? 本課程的教學(xué)重心是從數(shù)學(xué)層面理解并掌握推導(dǎo)經(jīng)典的機(jī)器學(xué)習(xí)算法，從歷史到細(xì)節(jié)深入了解機(jī)器學(xué)習(xí)的基本思想和各種算法的具體思路與方法。
2.? 強(qiáng)化數(shù)學(xué)、概率論、數(shù)理統(tǒng)計(jì)的基礎(chǔ)知識，夯實(shí)機(jī)器學(xué)習(xí)的基礎(chǔ)必備知識。
3.? 本課程將提供嚴(yán)謹(jǐn)?shù)?/span>數(shù)學(xué)推導(dǎo)過程文檔，幫助學(xué)員更好地掌握算法推導(dǎo)（面試必備）
4.? 課程中講設(shè)置隨堂測驗(yàn)環(huán)節(jié)，幫助學(xué)員在課中鞏固和理解重要知識點(diǎn)。
課程大綱
第一課：機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)
?
? ?1. ?機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)
? ? ? ? a. 函數(shù)與數(shù)據(jù)的泛化
? ? ? ? b. 推理與歸納 (Deduction and Induction)
? ?2. 線性代數(shù)（Linear Algebra）
? ? ? ? a. 向量與矩陣 (Vector and Matrix)
? ? ? ? b. 特征值與特征向量
? ? ? ? c. 向量與高維空間
? ? ? ? d. 特征向量（Feature Vector）
? ?3. ?概率與統(tǒng)計(jì)（Probability and Statistics）
? ? ? ? a.?條件概率與經(jīng)典問題 (Conditional Probability)
? ? ? ? b. 邊緣概率 (Marginal Probability)
? ?4. ?作業(yè)/實(shí)踐： 財(cái)寶問題的概率計(jì)算程序
???????
第二課：機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)
?
? ?1. ?統(tǒng)計(jì)推理（Statistical?Inference）
? ? ? ? a. 貝葉斯原理與推理 (Bayesian Theorem)
? ? ? ? b. 極大似然估計(jì) (Maximum Likelihood)
? ? ? ? c. 主觀概率（Subjective Probability）
? ? ? ? d. 最大后延概率（MAP)
? ?2. ?隨機(jī)變量（Random Variable）
? ? ? ? a. 獨(dú)立與相關(guān) (Independence)
? ? ? ? b. 均值與方差 （Mean and Variance）
? ? ? ? c. 協(xié)方差 (Co-Variance)
? ?3. ?概率分布（Probability Distributions)
? ?4. ?中心極限定理（Central Limit Theorem)
? ?5. ?作業(yè)/實(shí)踐： 概率分布采樣與不同隨機(jī)變量之間協(xié)方差計(jì)算
?
第三課：機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)
?
? ?1. ?梯度下降（Gradient Descent）
? ? ? ? a. 導(dǎo)數(shù)與梯度（Derivative and Gradient）
? ? ? ? b. 隨機(jī)梯度下降（SGD）
? ? ? ? c. 牛頓方法（Newton's Method)
? ?2. ?凸函數(shù)（Convex Function）
? ? ? ? a. Jensen不等式（Jensen's Inequality）
? ? ? ? b. 拉格朗日乘子（Lagrange Multiplier）
? ?3. ?作業(yè)/實(shí)踐： 利用牛頓方法求解給定的方程
?
第四課：機(jī)器學(xué)習(xí)的哲學(xué)（Philosophy of ML）
?
? ?1. ?算法的科學(xué)（Science of Algorithms）
? ? ? ? a. 輸入與輸出的神話（Mystery of I/O）
? ? ? ? b. 奧卡姆剃刀（Occam’s Razor）
? ?2. ?維數(shù)的詛咒（Curse of Dimensionality）
? ? ? ? a. 高維的幾何特性 (Geometric Properity )
? ? ? ? b. 高維空間流形（High-dimensional Manifold）
? ?3. ?機(jī)器學(xué)習(xí)與人工智能（Machine learning and AI）
? ?4. ?機(jī)器學(xué)習(xí)的范式（Paradigms of ML）
?
第五課：經(jīng)典機(jī)器學(xué)習(xí)模型（Classical ML Models）
?
? ?1. ?樣本學(xué)習(xí)（Case-Based Reasoning）
? ? ? ? a. K-近鄰（K-Nearest Neighbors）
? ? ? ? b. K-近鄰預(yù)測（KNN for Prediction）
? ? ? ? c. 距離與測度（Distance and Metric）
? ?2. ?樸素貝葉斯（Na?ve Bayes Classifier)
? ? ? ? a. 條件獨(dú)立（Conditional Independence）
? ? ? ? b. 分類（Naive Bayes for Classification)
? ?3. ?作業(yè)/實(shí)踐：垃圾郵件分類的案例
?
第六課：經(jīng)典機(jī)器學(xué)習(xí)模型（Classical ML Models）
?
? ?1. ? 決策樹（Decision Tree Learning）
? ? ? ? ?a. 信息論與概率
? ? ? ? ?b. 信息熵（Information Entropy）
? ? ? ? ?c. ID3
? ?2.? 預(yù)測樹（CART）
? ?? ? ? a. ?Gini指標(biāo)（Gini Index）
? ? ? ? ?b. ?決策樹與規(guī)則（DT and Rule Learning）
? ?3. ?作業(yè)/實(shí)踐：決策樹分類實(shí)驗(yàn)
?
第七課：經(jīng)典機(jī)器學(xué)習(xí)模型（Classical ML Models）
?
? ?1. ?集成學(xué)習(xí)（Ensemble learning）
? ? ? ? a. Bagging and Boosting
? ? ? ? b. AdaBoost?
? ? ? ? c. 誤差分解（Bias-Variance Decomposition）
? ? ? ? d. 隨機(jī)森林（Boosting and Random Forest）
? ?2. 模型評估（Model Evaluation）
? ? ? ? a. 交叉驗(yàn)證（Cross-Validation）
? ? ? ? b. ROC (Receiver Operating Characteristics)
? ? ? ? c. Cost-Sensitive Learning
? ?3. ?作業(yè)/實(shí)踐：隨機(jī)森林與決策樹分類實(shí)驗(yàn)的比較
?
第八課：線性模型（Linear Models）
?
? ?1. ?線性模型（Linear Models）
? ? ? ? a. 線性擬合（Linear Regression）
? ?2. ?最小二乘法（LMS）
? ? ? ? b. 線性分類器（Linear Classifier）
? ?3. ?感知器（Perceptron）
? ?4. ?對數(shù)幾率回歸（Logistic Regression）
? ?5. ?線性模型的概率解釋 (Probabilistic Interpretation)
? ?6. ?作業(yè)/實(shí)踐：對數(shù)幾率回歸的文本情感分析中應(yīng)用
?
第九課：線性模型（Linear Models）
?
? ?1. ?線性判別分析 (Linear Discrimination Analysis)
? ?2. ?約束線性模型 (Linear Model with Regularization)
? ? ? ? ?a. LASSO
? ? ? ? ?b. Ridge Regression
? ?3. ?稀疏表示與字典學(xué)習(xí)?
? ? ? ? ?a. Sparse Representation & Coding
? ? ? ? ?b. Dictionary Learning
?
第十課：核方法（Kernel Methods）
?
? ?1. ?支持向量機(jī)SVM（Support Vector Machines）
? ? ? ? a. VC-維（VC-Dimension）
? ? ? ? b. 最大間距（Maximum Margin）
? ? ? ? c. 支撐向量（Support Vectors）
? ?2. ?作業(yè)/實(shí)踐：SVM不同核函數(shù)在實(shí)際分類中比較
?
第十一課：核方法（Kernel Methods）
?
? ?1. ?對偶拉格朗日乘子
? ?2. ?KKT條件（KKT Conditions）
? ?3. ?Support Vector Regression (SVR)
? ?4. ?核方法（Kernel Methods）
?
第十二課：統(tǒng)計(jì)學(xué)習(xí)（Statistical Learning）
?
? ?1. ?判別模型與生成模型
? ? ? ? a. 隱含變量（Latent Variable）
? ?2. ?混合模型（Mixture Model）
? ? ? ? a. 三枚硬幣問題（3-Coin Problem）
? ? ? ? b. 高斯混合模型（Gaussian Mixture Model）
? ?3. ?EM算法（Expectation Maximization）
? ? ? ? a. 期望最大（Expectation Maximization）
? ? ? ? b. 混合模型的EM算法（EM for Mixture Models）
? ? ? ? c. Jensen 不等式 (Jensen's Inequality)
? ? ? ? d. EM算法推導(dǎo)與性能 (EM Algorithm)
?
第十三課：統(tǒng)計(jì)學(xué)習(xí)（Statistical Learning）
?
? ?1. ?隱馬可夫模型（Hidden Markov Models）
? ? ? ? a. 動(dòng)態(tài)混合模型（Dynamic Mixture Model）
? ? ? ? b. 維特比算法（Viterbi Algorithm）
? ? ? ? c. 算法推導(dǎo) (Algorithm)
? ?2. ?條件隨機(jī)場（Conditional Random Field）
?
第十四課：統(tǒng)計(jì)學(xué)習(xí)（Statistical Learning）
?
? ?1. ?層次圖模型（Hierarchical Bayesian Model）
? ? ? ? a. 概率圖模型 (Graphical Model)
? ? ? ? b. 從隱含語義模型到p-LSA (From LSA to P-LSA)
? ? ? ? c. Dirichlet 分布與特點(diǎn)（Dirichlet Distribution）
? ? ? ? d. 對偶分布（Conjugate Distribution）
?
第十五課：統(tǒng)計(jì)學(xué)習(xí)（Statistical Learning）
?
? ?1. ?主題模型（Topic Model – LDA）
? ? ? ? a. Latent Dirichlet Allocation
? ? ? ? b. 文本分類（LDA for Text Classification）
? ?2. ?中文主題模型（Topic Modeling for Chinese）
? ?3. ?其他主題模型（Other Topic Variables）
?
第十六課：無監(jiān)督學(xué)習(xí)（Unsupervised Learning）
?
? ?1. ?K-均值算法（K-Means）
? ? ? ? a. 核密度估計(jì)（Kernel Density Estimation）
? ? ? ? b. 層次聚類（Hierarchical Clustering）
? ?2. ?蒙特卡洛(Monte Carlo)
? ? ? ? a. 蒙特卡洛樹搜索（Monte Carol Tree Search）
? ? ? ? b. MCMC（Markov Chain Monte Carlo）
? ? ? ? c. Gibbs Sampling
?
第十七課：流形學(xué)習(xí)（Manifold Learning）
?
? ?1. ?主成分分析（PCA）
? ? ? ? a. PCA and ICA
? ?2. ?低維嵌入（Low-Dimensional Embedding）
? ? ? ? a. 等度量映射（Isomap）
? ? ? ? b. 局部線性嵌入（Locally Linear Embedding）
?
第十八課：概念學(xué)習(xí)（Concept Learning）
?
? ?1.??概念學(xué)習(xí)（Concept Learning）
? ? ? ? a. 經(jīng)典概念學(xué)習(xí)
? ? ? ? b. One-Short概念學(xué)習(xí)
? ?2. ?高斯過程學(xué)習(xí)（Gaussian Process for ML）
? ? ? ? c. Dirichlet Process
?
第十九課：強(qiáng)化學(xué)習(xí)（Reinforcement Learning）
?
????1.??獎(jiǎng)賞與懲罰（Reward and Penalty）
? ? ? ? a. 狀態(tài)空間 (State-Space Model)
? ? ? ? b. Q-學(xué)習(xí)算法 (Q-Learning)
? ?2. ?路徑規(guī)劃 （Path Planning）
? ?3. ?游戲人工智能 （Game AI）
? ?4. ?作業(yè)/實(shí)踐：小鳥飛行游戲的自動(dòng)學(xué)習(xí)算法
?
第二十課：神經(jīng)網(wǎng)絡(luò)
?
? ?1. ?多層神經(jīng)網(wǎng)絡(luò)
? ? ? ? a. 非線性映射（Nonlinear Mapping）
? ? ? ? b. 反向傳播（Back-propagation）
? ?2. ?自動(dòng)編碼器（Auto-Encoder）
報(bào)名，咨詢，查看課程，請點(diǎn)擊【閱讀原文】
↓↓↓
總結(jié)
以上是生活随笔為你收集整理的学好机器学习，这里有想要的一切的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： DeepMind论文解读：让机器更深入地
- 下一篇： 还在为周会发愁？你需要这13篇最新论文