《机器学习之数学基础系列》震撼来袭!拼团低至599!

百家 作者:AI100 2017-07-07 09:01:39

AI Insight:放弃幻想,搞 AI 必须过数学关


大家久等啦!令人期待已久的《机器学习之数学基础》系列课程于震撼来袭!没错!从此学机器学习,妈妈再也不用担心我的数学了!


课程介绍

机器学习是一门集概率论、线性代数、数值计算、最优化理论和计算机科学等多个领域的交叉学科。本系列课程以机器学习中的数学基础为主要内容,摆脱传统的讲概念、记公式、解体的数学学习模式,避开冗长的数学证明,从现实任务出发,让听众在短时间内完美补充机器学习中的概率与统计、线性代数和凸优化等数学基础知识,从而快速上手机器学习。


为此,AI100特邀中科院冒教授、马博士和浙江大学黄博士为大家带来《机器学习之数学基础》系列课程。


主题:《机器学习之数学基础系列》

包含三门课程:

《机器学习之概率与统计推断》(4课时)

《机器学习之矩阵》(3课时)

《机器学习之凸优化》(3课时)

三位大咖讲师:冒教授、黄博士 and 马博士 

开课时间:7月22日起,每周六、日上午10:00-12:00在线直播

报名:戳“阅读原文”或扫描下方课程二维码。

活动:火热拼团中…… 原价:999元,拼团低至599元!

1


《机器学习之概率与统计推断》

讲师介绍

冒教授:计算机博士,现在中科院从事科研教学工作,十余年机器学习教学经验,主持国家级科研项目3项,研究方向为机器学习、计算机视觉及多媒体处理。


开课时间:7月22日起,每周六、日上午10:00-12:00  在线直播


课程特色

本课程由资深计算机博士讲解,讲解机器学习所需的概率与统计推断相关知识,避开冗长的数学证明,从计算的角度精炼讲解概率统计知识,让听众在短时间内完美补充对概率与统计知识。

 

课程大纲

第一课:随机变量及其分布

1. 概率公理及推论

2. 随机事件之间的关系:条件概率、贝叶斯公式

3. 随机变量及其分布: pmf/pdf、CDF、均值、方差、分位数

4. 常用随机变量分布:离散型随机变量、连续性随机变量

5. 概率密度估计

6. 应用:Kaggle竞赛数据分析(直方图/核密度估计)、xgboost近似搜索(分位数)


第二课:多元随机向量及其分布

1. 联合概率、边缘概率、条件概率、条件独立

2. 常用多元分布

3. 朴素贝叶斯

4. 应用:MRF、CRF、RBM


第三课:极大似然估计

1. 极大似然估计:似然函数、极大似然估计

2. 估计评价:偏差-方差分解、Bootstrap

3. 应用:线性回归参数估计、logistic回归参数估计


第四课:贝叶斯估计

1. 贝叶斯估计:先验/共轭先验、似然、后验、最大后验估计

2. 正则

3. 应用:岭回归、Lasso


2


《机器学习之矩阵》

讲师介绍

黄博士:浙江大学应用数学系博士,现任教于浙江师范大学,专业从事公共课数学教学,包括线性代数、高等数学等学科。


开课时间:8月5日起,每周六、日上午10:00-12:00 在线直播


课程特色

本课程由专业数学系老师讲解,从数学背景和现实应用中讲解线性代数的相关知识,摆脱传统的讲概念、记公式、解体的数学学习模式,让听众对线性代数有一个全新的、深刻的认识。


课程大纲

第一课:矩阵初步

1. 矩阵的基本概念:

(1)实数、向量、矩阵、张量

(2)矩阵和向量的关系

(3)矩阵和方程组的关系

(4)特殊矩阵:单位矩阵,数量矩阵,对角矩阵,三角矩阵 

2. 矩阵的基本运算:

(1)矩阵的加、减、乘(数乘和矩阵乘法)、除,转置(对称矩阵),求行列式

(2)方程组的矩阵表示

(3)矩阵三个初等变换

(4)矩阵的逆、秩、迹


第二课:矩阵变换和线性空间

1. 线性空间

(1)线性的概念、线性相关、线性表示(线性组合)和方程组的关系

(2)线性空间、线性子空间(生成子空间)、向量组的值域和核

(3)线性空间的范数、范数(p=1、2、)、矩阵的Frobenius范数

2. 矩阵分解

(1)特征分解、正交分解、正定(半正定)矩阵、正定矩阵和特征分解之间的关系、SVD分解(Moore-Penrose伪逆)

(2)应用举例:PCA


第三课:矩阵求导

1. 梯度向量、Hessin矩阵、方向导数、多元函数泰勒展开、梯度下降

2. 应用举例:最小二乘法


3


《机器学习之凸优化》

讲师介绍

马博士:计算机博士,毕业于中国科学院计算技术研究所,主要从事计算机视觉、深度学习、强化学习技术研究与应用。


开课时间:8月5日起,每周六、日上午10:00-12:00 在线直播


课程特色

帮助机器学习初学者迅速建立对典型优化算法的理论基础与直观认识,从现实任务出发介绍机器学习与优化方法的密切联系。以现实案例的图示展现深度学习、支持向量机等算法中的数值优化问题,引导初学者快速上手实践所学内容加深学习效果。


课程大纲

第一课:机器学习与优化方法简介与关系

1. 机器学习简介

2. 优化问题求解与凸优化

3. 典型案例:支持向量机与深度学习


第二课:求解凸优化问题的算法

1. 传统凸优化求解方法、一阶与二阶优化方法

2. 机器学习问题求解的现成工具

3. 案例:支持向量机中的凸优化方法


第三课:深度学习与非凸优化

1. 深度学习简介

2. 深度模型训练中的优化问题

3. 案例分析:深度学习中的梯度下降算法


面向人群

  1. 零基础,想入门机器学习;

  2. 想深入研究机器学习;

  3. 想补充数学基础知识的相关从业人员;

  4. 对机器学习(尤其是竞赛)感兴趣的在校学生或从业人员。


咨询&报名


扫课程二维码直接参团报名系列课程~

课程页戳链接可单独报名每一门课程哦!


加课程小助手回复“722”进群咨询

付款后加小助手进课程群


 

关注公众号:拾黑(shiheibook)了解更多

[广告]赞助链接:

四季很好,只要有你,文娱排行榜:https://www.yaopaiming.com/
让资讯触达的更精准有趣:https://www.0xu.cn/

公众号 关注网络尖刀微信公众号
随时掌握互联网精彩
赞助链接