查看原文
其他

711页的黄海广博士的《机器学习》课件合集.pdf

黄海广博士的机器学习课程登陆了中国大学慕课,在9月6日10点开课了,目前有4344多人报名了

今天,为了方便读者学习,黄海广博士公布了课程的ppt全集,一共711页,并提供下载。


课件介绍

本课件是温州大学黄海广老师的机器学习课程的授课课件,授课视频在中国大学慕课:

https://www.icourse163.org/course/WZU-1464096179

这门课面向初学者,内容比较基础,适合入门。


课件资源公布在Github:

https://github.com/fengdu78/WZU-machine-learning-course

如果是大学教师,可以发邮件给黄海广老师索取原版课件。

(haiguang2000@wzu.edu.cn,请用edu邮箱发,告知姓名学校,仅用于教学目的,请勿用于商业用途)

建议可以根据ppt内容编排进行授课,建议授课课时:36课时。


水平有限,难免有小错误,若有更新,也可以发邮件给黄海广老师,也可以发邮件索取老师微信。


这个合集课件pdf还会更新,下载方式:

关注公众号,回复“课件pdf合集”可以获取下载地址。



授课目标

1、掌握机器学习的基本问题定义、基本模型,对机器学习学科有概览性的认识。

2、掌握目前主流的机器学习算法和模型,并能够根据实际问题的需要选择并实现相应的算法。

3、编程完成机器学习典型应用实例,对机器学习工程编程有初步的训练。

ppt目录

01 引言

1.1 机器学习概述
1.2 机器学习的类型
1.3 机器学习的背景知识
1.4 机器学习的开发流程

02 回归

2.1 线性回归
2.2 梯度下降
2.3 正则化
2.4 回归的评价指标

03 逻辑回归

3.1 分类问题
3.2 Sigmoid函数
3.3 逻辑回归求解
3.4 逻辑回归的代码实现

04  朴素贝叶斯

4.1 贝叶斯方法
4.2 朴素贝叶斯原理
4.3 朴素贝叶斯案例
4.4 朴素贝叶斯代码实现

05 机器学习实践

5.1 数据集划分
5.2 评价指标
5.3 正则化、偏差和方差

06 KNN算法

6.1 距离度量
6.2 KNN算法
6.3 KD树划分
6.4 KD树搜索

07 决策树

7.1 决策树原理
7.2 ID3算法
7.3 C4.5算法
7.4 CART算法

08 集成学习

8.1 集成学习方法概述
8.2 AdaBoost和GBDT算法
8.3 XGBoost算法
8.4 LightGBM算法

09 人工神经网络

9.1 人工神经网络概述
9.2 感知机算法
9.3 反向传播算法(BP算法)

10 支持向量机

9.1 支持向量机概述
9.2 线性可分支持向量机
9.3 线性支持向量机
9.4 线性不可分支持向量机

11聚类

11.1 无监督学习概述
11.2 K-means聚类
11.3 密度聚类和层次聚类
11.4 聚类的评价指标

12 降维

12.1 降维概述
12.2 SVD(奇异值分解)
12.3 PCA(主成分分析)

13 关联规则

13.1 关联规则概述
13.2 Apriori 算法
13.3 FP-Growth算法

机器学习附录

高等数学回顾

概率论回顾

线性代数回顾

机器学习项目流程

Numpy使用总结

特征工程

机器学习库Scikit-learn

课程大纲可能会有小范围调整。

部分课件截图

预备知识

数学基础:主要包括高等数学、线性代数、概率论与数理统计。最低要求:大三上学期的数学水平。

编程基础:已经掌握一种编程工具,最好会使用Python进行简单地编程。

课程定位

基础入门课,适合大三以上的本科生,或者初学机器学习的硕士生,博士生,也适合对机器学习感兴趣的毕业生。
与其他优秀的机器学习课程相比,本课程内容相对简单易懂,资料全面,课程团队坚信:让地方性本科院校的学生也能入门机器学习。

课件下载

课件pdf版本公布在Github,如果是大学教师,可以发邮件给黄海广老师索取原版课件。

https://github.com/fengdu78/WZU-machine-learning-course

(haiguang2000@wzu.edu.cn,请用edu邮箱发,告知姓名学校,仅用于教学目的,请勿用于商业用途)

建议可以根据ppt内容编排进行授课,建议授课课时:36课时。

水平有限,难免有小错误,若有更新,也可以发邮件给黄海广老师,也可以发邮件索取老师微信。

这个合集课件pdf还会更新,最新版下载方式:

关注公众号,回复“课件pdf合集”可以获取下载地址。



您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存