《机器学习与深度学习》-4月14日上海周末班

1. 课程背景

人工智能的浪潮正在席卷全球，这些得益于数据量的上涨、运算力的提升和机器学习新算法（深度学习）的出现。机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的重要技术之一，甚至有人认为“深度学习最终可能会淘汰掉其他所有机器学习算法”。

通过本课程的学习，学员能初步掌握机器学习、深度学习的重要概念及常用算法（决策树、关联规则、聚类、贝叶斯网络、神经网络、支持向量机、隐马尔科夫模型、遗传算法、CNN、RNN等），以及机器学习、深度学习领域当前的热点。

2. 授课对象

理工科本科专业，计算机相关专业或熟悉一门编程语言。

3. 课程大纲

1.1 第一天：初识机器学习

概述（第一天——1）

1. 概念与术语（人工智能、数据挖掘、机器学习）

2. 数据挖掘的对象

3. 数据挖掘的关键技术

4. 知识的表达

5. Python的安装

数据预处理（第一天——2）

1. 数据清理

2. 规范化

3. 模糊集

4. 粗糙集

5. 无标签时：PCA

6. 有标签时：Fisher线性判别

7. 数据压缩（DFT、小波变换）

回归与时序分析 （第一天——3）

1. 线性回归

2. 非线性回归

3. logistics回归

4. 平稳性、截尾与拖尾

5. ARIMA

决策树（第一天——4）

1. 分类和预测

2. 熵减过程与贪心法

3. ID3

4. 5

5. 其他改进方法

6. 决策树剪枝

1.2 第二天：机器学习中的典型算法

聚类（第二天——1）

1. 监督学习与无监督学习

2. K-means与k-medoids

3. 层次的方法

4. 基于密度的方法

5. 基于网格的方法

6. 孤立点分析

7. 案例：鸢尾花数据的聚类

关联规则（第二天——2）

1. 频繁项集

2. 支持度与置信度

3. Apriori性质

4. 连接与剪枝

5. 关联规则的案例

6. 案例：超市购物篮分析

朴素贝叶斯与KNN（第二天——3）

1. KNN

2. 概率论基础：条件概率、联合概率、分布、共轭先验。

3. “概率派”与“贝叶斯派”

4. 朴素贝叶斯模型

5. 朴素贝叶斯案例：皮马印第安人患糖尿病风险预测

极大似然估计与EM算法（第二天——4）

1. 极大似然估计

2. 对数似然函数

3. 案例：正态分析的参数估计

4. EM算法

5. EM算法应用案例：双正态分布的参数估计

性能评价指标（第二天——5）

1. 准确率；精确率、召回率；F1

2. 真阳性率、假阳性率

3. 混淆矩阵

4. ROC与AUC

5. 案例：绘制ROC并计算AUC、F1

6. 对数损失

7. Kappa系数

8. 回归：平均绝对误差、平均平方误差

9. 案例：绘制拟合曲线，计算拟合优度

10. 聚类：兰德指数、互信息

11. k折验证

1.3 第三天：神经网络专题

BP神经网络 （第三天——1）

1. 人工神经元及感知机模型

2. 前向神经网络

3. sigmoid

4. 径向基函数神经网络

5. 误差反向传播

6. 案例1：可手算的神经网络

7. 案例2：模拟一个圆锥曲面

模拟退火算法与其他神经网络 （第三天——2）

1. 模拟退火算法

2. hopfield网络

3. 自组织特征映射神经网络（SOM）

4. 受限布尔兹曼机

5. 案例1：“货郎担”问题（模拟退火算法）

6. 案例2：识别破损的字母（hopfield网络）

7. 案例3：聚类的另一种解法（SOM）

机器学习中的最优化方法（第三天——3）

1. 参数学习方法

2. 损失函数（或目标函数）

3. 梯度下降

4. 随机梯度下降

5. 牛顿法

6. 拟牛顿法

遗传算法 （第三天——4）

1. 种群、适应性度量

2. 交叉、选择、变异

3. 基本算法

4. 案例1：“同宿舍”问题

5. 神经网络与遗传算法结合的案例：自动升级的“井字棋”

1.4 第四天：机器学习进阶

支持向量机 （第四天——1）

1. 统计学习问题

2. 支持向量机

3. 核函数

4. 多分类的支持向量机

5. 用于连续值预测的支持向量机

6. SVM案例： iris的三个分类

隐马尔科夫模型（第四天——2）

1. 马尔科夫过程

2. 示例：天气与地表积水、罐中的彩球

3. 隐马尔科夫模型

4. 三个基本问题（评估、解码、学习）

5. 前向-后向算法

6. Viterbi算法

7. Baum-Welch算法

文本挖掘（第四天——3）

1. 文本分析功能

2. 文本特征的提取

3. TF-IDF

4. 文本分类

5. 文本聚类

从LSA到LDA（第四天——3）

1. LSA

2. pLSA

3. LDA

1.5 第五天：机器学习进阶与深度学习初步

利用无标签的样本（第五天——1）

1. 半监督学习

2. 直推式学习

3. 主动学习

集成学习（第五天——2）

1. bagging

2. co-training

3. adaboost

4. 随机森林

5. GBDT

强化学习（第五天——3）

1. agent的属性

2. exploration and exploitation

3. Bellman期望方程

4. 最优策略

5. 策略迭代与价值迭代

6. Q学习算法

深度学习-1（第五天——4）

1. 连接主义的兴衰

2. 深度学习与神经网络的区别与联系

3. 目标函数

4. 激励函数

5. 学习步长

1.6 第六天：深度学习

深度学习-2（第六天——1）

1. 优化算法

2. Adagrad

3. RMSprop

4. Adam

5. 避免过适应

深度学习-3（第六天——2）

1. 典型应用场景

2. CNN

3. 各种CNN

4. RNN

5. LSTM、GRU

深度学习-4（第六天——3）

1. GAN

2. DQN

3. 教电脑玩“flappy bird”游戏

4. 模型：卷积神经网络

5. 算法：Deep Q Network

4. 老师简介

叶梓 计算机专业博士，高级工程师。现任某知名上市公司的资深技术专家。

• 2005年上海交通大学计算机专业博士毕业，主研方向为数据挖掘、机器学习、人工智能。毕业后进入某知名上市公司从事卫生行业的需求、技术相关工作。在卫生信息大数据应用、人工智能、卫生信息标准化等方面都有着丰富的经验。

• 先后在SCI或EI期刊（会议）上发表论文4篇，在中文核心期刊上发表论文近20篇。2011年获中国医院协会科技创新一等奖。

5. 课程安排

课程费用：5500

上课方式：现场面授

上课时间：4月14~29日（周六日共6天）

上课地址：上海徐汇凯旋路3580号（上海体育馆）

6. 报名优惠

课程原价5500元（包含课程教材费、6天课程学费）早报名多优惠！优惠截止时段和价格如下

7. 咨询方式：

QQ咨询：1796318148

微信客服：timjiang2016

加好友咨询课程和优惠，备注：上海班

8. 报名流程：

1.点击“阅读原文”报名

2.缴纳定金1000元

3.上课前补交尾款

9. 往期培训：

学员福利：

在AI时代，正确的学习姿势应该是：

每半年至少参加一次live活动或体验课程

每半年至少读一本数据科学或人工智能方面的书籍

每半年至少参加一次职业或生涯规划方面的讲座

您报名参加我们训令营课程，我们讲为您免费提供上述1+1+1套餐服务，让您在AI时代时刻掌握职场先机！

↓↓↓点击阅读原文立即报名

原文始发于微信公众号（PPV课数据科学社区）：《机器学习与深度学习》-4月14日上海周末班