【課程內(nèi)容】
bat工業(yè)應(yīng)用
(01)機(jī)器學(xué)習(xí)與相關(guān)數(shù)學(xué)初步
(02)數(shù)理統(tǒng)計與參數(shù)估計
(03)矩陣分析與應(yīng)用
(04)凸優(yōu)化初步
(05)回歸分析與工程應(yīng)用
(06)特征工程
(07)工作流程與模型調(diào)優(yōu)
(08)最大熵模型與EM算法
(09)推薦系統(tǒng)與應(yīng)用
(10)聚類算法與應(yīng)用
(11)決策樹隨機(jī)森林和adaboost
(12)SVM
(13)貝葉斯方法
(14)主題模型
(15)貝葉斯推理采樣與變分
(16)人工神經(jīng)網(wǎng)絡(luò)
(17)卷積神經(jīng)網(wǎng)絡(luò)
(18)循環(huán)神經(jīng)網(wǎng)絡(luò)與LSTM
(19)Caffe&Tensor Flow&MxNet 簡介
(20)貝葉斯網(wǎng)絡(luò)和HMM
(額外補(bǔ)充)詞嵌入word embedding
july算法教程
1.管窺算法
2.字符串
3.數(shù)組
4.樹
5.鏈表遞歸棧
6.查找排序
7.圖論（上）
8.圖論下
9.貪心法和動態(tài)規(guī)劃
10.概率分治和機(jī)器學(xué)習(xí)
國防科技大學(xué)蔡宣平模式識別
01.概述
02.特征矢量及特征空間、隨機(jī)矢量、正態(tài)分布特性
03.聚類分析的概念、相似性測度
04.相似性測度（二）
05.類間距離、準(zhǔn)則函數(shù)
06.聚類算法：簡單聚類算法、譜系聚類算法
07.聚類算法：動態(tài)聚類算法——C均值聚類算法
08.聚類算法：動態(tài)聚類算法——近鄰函數(shù)算法
09.聚類算法實(shí)驗(yàn)
10.判別域界面方程分類的概念、線性判別函數(shù)
11.判別函數(shù)值的鑒別意義、權(quán)空間及解空間、fisher線性判別
12.線性可分條件下判別函數(shù)權(quán)矢量算法
13.一般情況下的判別函數(shù)權(quán)矢量算法
14.非線性判別函數(shù)
15.最近鄰方法
16.感知器算法實(shí)驗(yàn)
17.最小誤判概率準(zhǔn)則
18.正態(tài)分布的最小誤判概率、最小損失準(zhǔn)則判決
19.含拒絕判決的最小損失準(zhǔn)則、最小最大損失準(zhǔn)則
20.Neyman—Pearson判決、實(shí)例
21.概述、矩法估計、最大似然估計
22.貝葉斯估計
23.貝葉斯學(xué)習(xí)
24.概密的窗函數(shù)估計方法
25.有限項(xiàng)正交函數(shù)級數(shù)逼近法
26.錯誤率估計
27.小結(jié)
28.實(shí)驗(yàn)3-4-5 Bayes分類器-kNN分類器-視頻動目標(biāo)檢測
29.概述、類別可分性判據(jù)（一）
30.類別可分性判據(jù)（二）
31.基于可分性判據(jù)的特征提取
32.離散KL變換與特征提取
33.離散KL變換在特征提取與選擇中的應(yīng)用
34.特征選擇中的直接挑選法
35.綜合實(shí)驗(yàn)-圖像中的字符識別
煉數(shù)成金機(jī)器學(xué)習(xí)
第1課 機(jī)器學(xué)習(xí)概論
第2課 線性回歸與Logistic。案例：電子商務(wù)業(yè)績預(yù)測
第3課 嶺回歸，Lasso，變量選擇技術(shù)。從一團(tuán)亂麻中識別有用維度的技巧
第4課 降維技術(shù)。案例：業(yè)績綜合指標(biāo)設(shè)計
第5課 線性分類器，Knn算法，樸素貝葉斯分類器，文本挖掘，案例：智能判斷垃圾短信，通過文本挖掘給用戶加標(biāo)簽，評論自動分析，用戶流失預(yù)警
第6課 決策樹，組合提升算法，bagging和adaboost，隨機(jī)森林。案例：運(yùn)營商用戶分析
第7課 支持向量機(jī)，為什么能理解SVM的人鳳毛麟角
第8課 人工神經(jīng)網(wǎng)絡(luò)，單層感知器，線性神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)，基于梯度下降的學(xué)習(xí)算法，圖像壓縮和銀行用戶信用評估
第9課 通用逼近器徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，在新觀點(diǎn)下審視PDA和SVM。Hopfield聯(lián)想記憶型神經(jīng)網(wǎng)絡(luò)。案例：字符識別，人臉識別
第10課 概率神經(jīng)網(wǎng)絡(luò)和信念貝葉斯分類器
第11課 聚類，孤立點(diǎn)判別。案例：推薦系統(tǒng)，自動品酒器，作弊識別，社會系統(tǒng)團(tuán)體識別
交大張志華統(tǒng)計機(jī)器學(xué)習(xí)
01、基本概念
02、隨機(jī)向量
03、隨機(jī)向量性質(zhì)
04、多元高斯分布
05、分布性質(zhì)
06、條件期望
07、多項(xiàng)式分布
08、多元高斯分布及應(yīng)用
09、漸進(jìn)性質(zhì)
10、核定義
11、正定核性質(zhì)
12、正定核應(yīng)用
13、核主元分析
14、主元分析
15、主坐標(biāo)分析
16、期望最大算法
17、概率PCA
18、最大似然估計方法
19、EM算法收斂性
20、MDS方法
21、MDS中加點(diǎn)方法
22、矩陣次導(dǎo)數(shù)
23、T矩陣范數(shù)
24、次導(dǎo)數(shù)
25、spectral clustering
26、K-means algorithm
27、Matrix Completion
28、Fisher判別分析
29、譜聚類
30、Computational Methods
31、Fisher Discriminant Analysis
32、Kernel FDA
33、Linear classification
34、Naive Bayes方法
35、Support Vector Machines
36、SUM
37、Boosting
