一、课程基本信息
标题:《统计机器学习》直播课程周期:4天 上课方式:直播上课时间:2016年2月27-28日、3月5-6日9:00-12:00 14:00-17:30
二、教学目标
1、学习统计机器学习的主要方法,包括感知机、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、提升方法、EM算法、隐马尔可夫模型和条件随机场等;
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。
三、学习对象
数学、金融、财会、计算机专业学生;
数据分析爱好者;
四、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。
五、学习内容
序号 |
内容 |
课时 |
1 |
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 |
4 |
2 |
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 |
2 |
3 |
第3章 众近邻法3.1 k近邻算法3.2 k近邻模型3.3 k近邻法的实现:kd树 |
2 |
4 |
第4章 朴素贝叶斯法4.1朴素贝叶斯法的学习与分类4.2朴素贝叶斯法的参数估计 |
2 |
5 |
第5章 决策树5.1决策树模型与学习5.2特征选择5.3决策树的生成5.4决策树的剪枝5.5 cart算法 |
4 |
6 |
第6章 逻辑斯谛回归与最大熵模型6.1逻辑斯谛回归模型6.2最大熵模型6.3模型学习的最优化算法 |
4 |
7 |
第7章 支持向量机7.1线性可分支持向量机与硬间隔最大化7.2线性支持向量机与软间隔最大化7.3非线性支持向量机与核函数7.4序列最小最优化算法 |
4 |
8 |
第8章 提升方法8.1提升方法Adaboost算法8.2 Adaboost算法的训练误差分析8.3 Adaboost算法的解释8.4提升树 |
2 |
9 |
第9章EM算法及其推广9.1 EM算法的引入9.2 EM算法的收敛性9.3 EM算法在高斯混合模型学习中的应用9.4 EM算法的推广 |
2 |
10 |
第10章 隐马尔可夫模型10.1隐马尔可夫模型的基本概念10.2概率计算算法10.3学习算法10.4预测算法 |
4 |
11 |
第11章 条件随机场11.1概率无向图模型11.2条件随机场的定义与形式11.3条件随机场的概率计算问题11.4条件随机场的学习算法11.5条件随机场的预测算法 |
2 |
合计 |
32 |
六、联系方式
电话:4000-707-620手机:15771070899(包老师) 13828892967(江老师)
原文始发于微信公众号(PPV课数据科学社区):【推荐】统计机器学习
原创文章,作者:ppvke,如若转载,请注明出处:http://www.ppvke.com/archives/17924