沒錯！威斯康辛大學(xué)《機(jī)器學(xué)習(xí)導(dǎo)論》課件、視頻資源已開放！

對于機(jī)器學(xué)習(xí)領(lǐng)域的初學(xué)者來說，這會是很好的入門課程。目前，課程的筆記、PPT 和視頻正在陸續(xù)發(fā)布中。

• 1.1 課程概述：「Stat 451：機(jī)器學(xué)習(xí)導(dǎo)論（FS 2020）」的簡介

• 1.2 什么是機(jī)器學(xué)習(xí)：機(jī)器學(xué)習(xí)的定義，以及機(jī)器學(xué)習(xí)與編程的關(guān)系

• 1.3 機(jī)器學(xué)習(xí)的類別：討論了機(jī)器學(xué)習(xí)的三大類，監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)

• 1.4 符號：介紹了將在本課程中使用的機(jī)器學(xué)習(xí)形式和符號

• 1.5 ML 應(yīng)用：走向機(jī)器學(xué)習(xí)程序的主要步驟，以及機(jī)器學(xué)習(xí)組件的分類

• 1.6 ML 動力：關(guān)于學(xué)習(xí)機(jī)器學(xué)習(xí)的不同觀點(diǎn)和動力

• 2.1 最近鄰算法：介紹最近鄰算法，概覽最近鄰算法的應(yīng)用和最新進(jìn)展

• 2.2 最近鄰決策邊界：包括 1 - 最近鄰決策邊界背后的概念，此外還列出了一些常見的距離度量

• 2.3 K - 最近鄰算法：將 1 - 最近鄰概念擴(kuò)展到 k - 最近鄰算法，進(jìn)行分類和回歸

• 2.4 K - 最近鄰的 Big O：K - 最近鄰簡單實(shí)現(xiàn)的 Big O 運(yùn)行時間復(fù)雜度

• 2.5 K - 最近鄰的提升：總結(jié)一些提升 K - 最近鄰計(jì)算性能和預(yù)測效率的常見技巧

• 2.6 Python 中的 K - 最近鄰：利用 scikit-learn，在 Python 中使用 K - 最近鄰。這節(jié)課中使用的 Jupyter 筆記本從這里獲取：https://github.com/rasbt/stat451-machine-learning-fs20/blob/master/L02/code/02_knn_demo.ipynb

• 3.1 Python 概述：這節(jié)課將討論 Python 的用法，進(jìn)行 C 和 Python 的快速演示（也許并不是很有吸引力）

• 3.2 Python 設(shè)置：演示如何在 MacOS 上使用 Miniconda 安裝 Python，另外提供了有關(guān) conda 軟件包管理器的簡短演示

• 3.3 運(yùn)行 Python 代碼：演示運(yùn)行 Python 代碼的不同方式，包括 REPL、IPython、.py 腳本和 Visual Studio Code

• 4.1 NumPy 基礎(chǔ)知識介紹

• 4.2 NumPy 數(shù)組的創(chuàng)建及索引

• 4.3 NumPy 數(shù)組的數(shù)學(xué)運(yùn)算和通用函數(shù)

• 4.4 NumPy 的廣播機(jī)制

• 4.5 NumPy 高級索引–內(nèi)存視圖和副本

• 4.6 NumPy 隨機(jī)數(shù)生成器

• 4.7 重塑 NumPy 數(shù)組

• 4.8 NumPy 比較運(yùn)算符和掩碼

• 4.9 NumPy 線性代數(shù)基礎(chǔ)

• 4.10 Matplotlib

• 5.1 從表格文本文件讀取數(shù)據(jù)集

• 5.2 基本數(shù)據(jù)處理

• 5.3 面向?qū)ο蟮木幊毯?Python 類

• 5.4 Scikit-Learn 簡介

• 5.5 Scikit-Learn Transformer API

• 5.6 Scikit-Learn 管道

• 6.1 決策樹簡介

• 6.2 遞歸算法和 Big-O

• 6.3 決策樹的類型

• 6.4 分割標(biāo)準(zhǔn)

• 6.5 基尼系數(shù) & 熵與誤分類誤差：闡釋在 CART 決策樹的信息增益方程式中，為什么要使用熵（或基尼）代替誤分類誤差作為雜質(zhì)度量

• 6.6 改進(jìn)和處理過擬合：將決策樹的一些問題（例如過擬合）融合在一起并討論改進(jìn)方法，例如增益比、預(yù)剪枝和后剪枝

• 6.7 代碼示例：如何使用 scikit-learn 訓(xùn)練和可視化決策樹的快速演示

• 7.1 集成方法簡介：討論了包括絕對多數(shù)投票法（majority voting）、套袋法（bagging）、隨機(jī)森林（random forests）、堆棧（stacking）、梯度提升（gradient boosting）等最受歡迎、使用最廣泛的機(jī)器學(xué)習(xí)方法。

• 7.2 絕對多數(shù)投票法：討論最基本的模型集成之一「絕對多數(shù)投票」，通過示例解釋為什么它比使用單個分類器更好

• 7.3 套袋法：介紹了偏差 - 方差權(quán)衡和分解，以了解套袋法的用途

• 7.4Boosting 和 AdaBoost：討論 boosting 的概念，然后介紹了 AdaBoost，該方法將弱分類器（比如決策樹樁）提升為強(qiáng)分類器

• 7.5 梯度提升：在 AdaBoost 使用權(quán)重作為訓(xùn)練示例來提升下一輪樹的情況下，梯度提升使用損失的梯度來計(jì)算殘差以適應(yīng)序列中的下一棵樹，視頻中提到的論文地址：https://dl.acm.org/doi/pdf/10.1145/2939672.2939785

• 7.6 隨機(jī)森林：講解隨機(jī)森林及其與套袋法之間的關(guān)系，以及為什么隨機(jī)森林在實(shí)踐中的效果優(yōu)于套袋法

• 7.7 堆棧：介紹 Wolpert 堆棧算法，并展示如何在 mlxtend 和 scikit-learn 中使用堆棧分類器

• L08：基礎(chǔ)部分，欠擬合和過擬合

• L09：重采樣方法

• L10：交叉驗(yàn)證

• L11：統(tǒng)計(jì)測試和算法選擇

• L12：評估指標(biāo)

• L13 - 功能選擇

• L14 - 特征提取

• L15 - 聚類

• L16 - 貝葉斯方法簡介

• L17 - 貝葉斯最佳分類器

• L18 - 樸素貝葉斯分類器

• L19 - 貝葉斯網(wǎng)絡(luò)

課件資料

領(lǐng)取方式：