【试听】《统计机器学习》直播课程 5月10日晚 20:00~21:00

课程介绍：

统计机器学习是关于计算机基于数据构建的概率统计模型并运用模型对数据进行预测和分析的一门科学，统计机器学习研究的问题一般是，给定一堆带标签的训练样本集合，需要从训练集合中学习出一个预测器来，对新的样本进行预测，使得预测结果尽可能的接近它的真实标签。统计机器学习是概率论、统计学、信息论、计算理论、最优化理论和计算机科学等多个领域的交叉学科，并且在发展中形成独立的理论体系和方法论。《统计学习方法》全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场等

1、课程基本信息《统计机器学习》试听课程（免费）

试听时间：5月10日晚 20：00~21：00

试听方式：QQ群视频共享(群号：287236998)

2、教学目标(1)、学习统计机器学习的主要方法，包括感知机、线性神经网络、BP神经网络、径向基函数神经网络、k近邻法、朴素贝叶斯法、决策树、逻辑斯蒂回归与最大熵模型、支持向量机、深度信念网络、卷积神经网络等；(2)、掌握以上方法的统计学习原理，学习策略和学习算法；(3)、学习模型评估和模型选择的统计学习原理。3、学习对象数学、金融、财会、计算机专业学生；有SAS或者Matlab基础4、讲师介绍李老师,1997年本科毕业于吉林大学数学学院计算数学专业。先后主讲高等数学、线性代数、概率论与数理统计、离散数学、数学建模、生产物流系统建模与仿真、Matlab程序设计、计算物理等多门课程，并指导课程设计、计算机实习、科研训练和本科生毕业论文，积累了丰富的理论教学和实践教学经验。2011年取得吉林大学计算机软件与理论专业工学博士学位，CCF会员。长期从事数据挖掘、机器学习、交通规划与管理相关研究。对数据敏感，擅长应用Matlab等软件进行数据统计分析。2013年12月至2014年12月受CSC派出到美国罗德岛大学电气工程学院做访问学者。参编著作3部，发表学术论文30余篇，其中SCI、EI检索论文12篇，核心期刊6篇。目前，参与在研国家自然科学基金项目2项，在研军口863项目2项，在研省部级项目3项。5、学习内容第1章 统计学习方法概论1.1 统计学习1.2 监督学习1.3 统计学习三要素1.4 模型评估与模型选择1.5 正则化与交叉验证1.6 泛化能力1.7 生成模型与判别模型1.8 分类问题1.9 标注问题1.10 回归问题第2章 感知机2.1 感知机模型2.2 感知机学习策略2.3 感知机学习算法第3章 线性神经网络3.1 线性神经网络的结构3.2 LMS算法3.3 线性神经网络实例第4章 BP神经网络4.1 BP神经网络的结构4.2 BP神经网络的学习算法4.3 BP神经网络实例第5章 径向基函数神经网络5.1 径向基函数的结构5.2 径向基函数的学习算法5.3 径向基函数神经网络实例第6章 k近邻法6.1 k近邻算法6.2 k近邻模型6.3 k近邻法的实现：kd树第7章 朴素贝叶斯法7.1 朴素贝叶斯法的学习与分类7.2 朴素贝叶斯法的参数估计第8章 决策树8.1 决策树模型与学习8.2 特征选择8.3 决策树的生成8.4 决策树的剪枝8.5 cart算法第9章 逻辑斯谛回归与最大熵模型9.1 逻辑斯谛回归模型9.2 最大熵模型9.3 模型学习的最优化算法第10章 支持向量机10.1 线性可分支持向量机与硬间隔最大化10.2 线性支持向量机与软间隔最大化10.3 非线性支持向量机与核函数10.4 序列最小最优化算法第11章 深度信念网络11.1 深度信念网络原理11.2 深度信念网络实例第12章 卷积神经网络12.1 卷积神经网络原理12.2 卷积神经网络实例

点击原文连接进入试听学习群

原文始发于微信公众号（PPV课数据科学社区）：【试听】《统计机器学习》直播课程 5月10日晚 20:00~21:00