課程概述
機器學習是研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。
這門課中，我們主要講解經典的機器學習算法，如線性回歸、邏輯回歸、決策樹等，也將講解近幾年才出現的如XGBoost、LightGBM等集成學習算法。此外，這門課還會講解利用機器學習解決問題的實用技術，還包括Python、Scikit-learn工具的使用等等。
通過這門課，學習者將初步理解主流的機器學習算法，并且可以用機器學習技術解決現實生活中的問題。
與國內外很多非常優秀的機器學習課程或作品相比（如吳恩達機器學習課程、李航老師的統計學習方法、周志華老師的《機器學習》等），本課程對初學者來說，屬于“雪中送炭”，而不是“錦上添花”，更適合初學者學習，主要解決初學者的三個問題：就是資料太多，難以取舍；理論性強，初學比較困難；代碼資料比較少。只要有本科三年級以上的數學知識，會一種編程語言，就可以掌握這門課程的絕大部分內容。
課程主講
黃海廣，博士，副教授，碩士生導師。
這個名字好熟悉，想起來了：原來是翻譯過吳恩達機器學習課程，整理過機器學習、深度學習筆記的黃海廣博士。
黃海廣博士善于指導初學者入門，深受讀者喜愛。
授課目標
1、掌握機器學習的基本問題定義、基本模型，對機器學習學科有概覽性的認識。
2、掌握目前主流的機器學習算法和模型，并能夠根據實際問題的需要選擇并實現相應的算法。
3、編程完成機器學習典型應用實例，對機器學習工程編程有初步的訓練。
4、慕課的課程一個課時一般在15分鐘以內，因此有些復雜理論是點到為止，但不影響讀者進一步學習，作者認為：只有入門了，才知道接下來應該怎樣走。
課程大綱
01 引言
1.1 機器學習概述
1.2 機器學習的類型
1.3 機器學習的背景知識
1.4 機器學習的開發流程
02 回歸
2.1 線性回歸
2.2 梯度下降
2.3 正則化
2.4 回歸的評價指標
03 邏輯回歸
3.1 分類問題
3.2 Sigmoid函數
3.3 邏輯回歸求解
3.4 邏輯回歸的代碼實現
04 樸素貝葉斯
4.1 貝葉斯方法
4.2 樸素貝葉斯原理
4.3 樸素貝葉斯案例
4.4 樸素貝葉斯代碼實現
05 機器學習實踐
5.1 數據集劃分
5.2 評價指標
5.3 正則化、偏差和方差
06 KNN算法
6.1 距離度量
6.2 KNN算法
6.3 KD樹劃分
6.4 KD樹搜索
07 決策樹
7.1 決策樹原理
7.2 ID3算法
7.3 C4.5算法
7.4 CART算法
08 集成學習
8.1 集成學習方法概述
8.2 AdaBoost和GBDT算法
8.3 XGBoost算法
8.4 LightGBM算法
09 人工神經網絡
9.1 人工神經網絡概述
9.2 感知機算法
9.3 反向傳播算法(BP算法)
10 支持向量機
10.1 支持向量機概述
10.2 線性可分支持向量機
10.3 線性支持向量機
10.4 線性不可分支持向量機
11聚類
11.1 無監督學習概述
11.2 K-means聚類
11.3 密度聚類和層次聚類
11.4 聚類的評價指標
12 降維
12.1 降維概述
12.2 SVD(奇異值分解)
12.3 PCA(主成分分析)
13 關聯規則
13.1 關聯規則概述
13.2 Apriori 算法
13.3 FP-Growth算法
14 機器學習項目流程
14.1 機器學習項目流程概述
14.2 數據清洗
14.3 特征工程
14.4 數據建模
課程大綱可能會有小范圍調整。
課程每個單元會有20道題目的測驗，課程相關資料已經公布在Github。
付費5元查看完整內容
相關內容
“機器學習是近20多年興起的一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。機器學習理論主要是設計和分析一些讓
可以自動“
”的算法。機器學習算法是一類從數據中自動分析獲得規律，并利用規律對未知數據進行預測的算法。因為學習算法中涉及了大量的統計學理論，機器學習與統計推斷學聯系尤為密切，也被稱為統計學習理論。算法設計方面，機器學習理論關注可以實現的，行之有效的學習算法。很多
問題屬于
，所以部分的機器學習研究是開發容易處理的近似算法。”
——中文維基百科
人工智能是一門研究生（高年級本科生可選）專業基礎課程，旨在講授人工智能的基本理論、方法和技術，并落實到算法，主要內容包括：智能體，搜索算法，約束滿足問題，邏輯智能體，自動推理，自動規劃，知識表示，不確定知識和推理， 決策，機器學習，自然語言理解，機器人等。授課內容參見講義。參考資料選自國際優秀教材和重要文獻。
//www.math.pku.edu.cn/teachers/linzq/teaching/ai/ai.html
人工智能
1 引論
1.1 AI
1.2 基礎
1.3 歷史
1.4 現狀
1.5 爭論
2 智能體
2.1 智能體
2.2 智能程序
2.3 理性
2.4 環境
2.5 智能體結構
2.6 多智能體
3 搜索算法
3.1 問題求解主體
3.2 基本搜索算法
3.3 啟發式搜索
3.4 局部搜索
3.5 在線搜索
3.6 對抗搜索
3.7 元搜索
4 約束滿足問題
4.1 約束滿足問題
4.2 約束傳播
4.3 回溯搜索
4.4 局部搜索
4.5 結構與分解
5 邏輯智能體
5.1 知識智能體
5.2 命題邏輯
5.3 可滿足性問題
5.4 一階邏輯
5.5 AI的邏輯基礎
6 自動推理
6.1 自動定理證明
6.2 前向和反向推理
6.3 歸結
6.4 模型檢測
7 自動規劃
7.1 規劃智能體
7.2 經典規劃
7.3 分層規劃
7.4 情態演算
7.5 偏序規劃
7.6 非經典規劃
7.7 排程
8 知識表示
8.1 知識
8.2 本體
8.3 產生式系統
8.4 定性物理
8.5 結構描述
8.6 框架與語義網
8.7 語義Web
8.8 知識圖譜
8.9 知識嵌入
8.10 變化
8.11 解釋與診斷
8.12 心智狀態
8.13 常識
9 不確定知識和推理
9.1 不確定性
9.2 概率
9.3 貝葉斯網絡
9.4 概率推理
9.5 動態貝葉斯網絡
9.6 因果推理
9.7 概率程序設計
9.8 概率邏輯
10 決策
10.1 決策智能體
10.2 優先性
10.3 效用
10.4 決策網
10.5 序列決策
10.6 多智能體系統
10.7 博弈論
11 機器學習
11.1 學習智能體
11.2 歸納學習
11.3 深度學習
11.4 統計學習
11.5 強化學習
11.6 遷移學習
11.7 集成學習
11.8 聯邦學習
11.9 解釋學習
11.10 計算學習理論
12 自然語言理解
12.1 語言
12.2 語法
12.3 語義
12.4 語言模型
12.5 神經語言系統
12.6 自然語言任務
12.7 對話 AI
13 機器人
13.1 機器人
13.2 計算機視覺
13.3 機器人感知
13.4 運動規劃
13.5 控制器
13.6 智能汽車
14 人工智能哲學
14.1 AI 哲學
14.2 弱 AI
14.3 強 AI
14.4 倫理
14.5 AI 的未來
付費5元查看完整內容
課程題目
機器學習中的常識性問題
課程內容
機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑。本課程主要介紹了當下機器學習的常識性問題，如機器學習概念，發展歷史，超參數，常用的統計學習方法，以及數學理論等基礎性知識。
付費5元查看完整內容
課程題目
Google機器學習速成課程
課程內容
Google機器學習速成課程，這個資源涵蓋了谷歌機器學習速成課程（中文版）的所有內容，主要是為了方便國內機器學習愛好者學習這門課程。內容主要以加利福尼亞房價預測為線索，講解了使用機器學習和深度學習解決現實世界問題的一般方法。學習了 Google機器學習速成課程可以算作學習了機器學習功夫的招式。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191