彭博(Bloomberg)近日推出的《機(jī)器學(xué)習(xí)基礎(chǔ)》免費(fèi)課程致力于讓人們深入了解機(jī)器學(xué)習(xí)專家使用的概念、技術(shù)和數(shù)學(xué)框架。該課程是視頻講解模式，目前已包含 30 節(jié)課，另有 7 次作業(yè)。

課程鏈接：https://bloomberg.github.io/foml/#home

 

 

課程簡介

彭博推出的《機(jī)器學(xué)習(xí)基礎(chǔ)》課程是一門訓(xùn)練課程，最初只向彭博內(nèi)部軟件工程師開放，作為「機(jī)器學(xué)習(xí)教育」(Machine Learning EDU)計劃的一部分。本課程覆蓋機(jī)器學(xué)習(xí)和統(tǒng)計建模的大量主題。主要目標(biāo)是幫助參與者深入理解機(jī)器學(xué)習(xí)專家使用的概念、技術(shù)和數(shù)學(xué)框架。這門課程旨在使更多具備強(qiáng)大數(shù)學(xué)背景的個人能夠獲取更多珍貴的機(jī)器學(xué)習(xí)技術(shù)，包括軟件開發(fā)者、實(shí)驗科學(xué)家、工程師和金融專業(yè)人士。

這門課程一共包含 30 節(jié)課，觀看地址：https://www.youtube.com/playlist?list=PLnZuxOufsXnvftwTB1HL6mel1V32w0ThI

這門課程包括一套完整的作業(yè)，每份作業(yè)都包含 Python 理論元素和實(shí)現(xiàn)挑戰(zhàn)(Python 正在快速發(fā)展，是數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)學(xué)界和業(yè)界都很流行的編程語言)。本課程還可作為其他更專業(yè)課程的基礎(chǔ)課程，或者其他獨(dú)立研究的基礎(chǔ)。

第一講《黑箱機(jī)器學(xué)習(xí)》快速介紹了實(shí)際機(jī)器學(xué)習(xí)，只需要參與者熟悉基礎(chǔ)的編程概念。

必備條件

查看該課程的數(shù)學(xué)水平是否適合自己的最快方式：https://davidrosenberg.github.io/mlcourse/Notes/prereq-questions/math-questions.pdf，參與者可從這里預(yù)覽課程第一部分中的一些數(shù)學(xué)概念。

堅實(shí)的數(shù)學(xué)背景，相當(dāng)于以下課程的大學(xué)本科初級水平：線性代數(shù)、多變量微積分(multivariate differential calculus)、概率論和統(tǒng)計學(xué)。例如，紐約大學(xué)的《DS-GA 1002: Statistical and Mathematical Methods》課程內(nèi)容就足夠了。

Python 編程知識，大部分作業(yè)需要參與者掌握一定的 Python 編程知識。

推薦：至少一門進(jìn)階、基于證明(proof-based)的數(shù)學(xué)課程。

推薦：具備計算機(jī)科學(xué)背景，如「數(shù)據(jù)結(jié)構(gòu)和算法」課程。

《機(jī)器學(xué)習(xí)基礎(chǔ)》課程目錄：

黑箱機(jī)器學(xué)習(xí)(BLACK BOX MACHINE LEARNING)

案例研究：流失預(yù)測(CASE STUDY: CHURN PREDICTION)

統(tǒng)計學(xué)習(xí)理論入門(INTRODUCTION TO STATISTICAL LEARNING THEORY)

隨機(jī)梯度下降(STOCHASTIC GRADIENT DESCENT)

過度風(fēng)險分解(EXCESS RISK DECOMPOSITION)

L1 和 L2 正則化(L1 AND L2 REGULARIZATION)

LASSO、Ridge 和 Elastic net(LASSO, RIDGE, AND ELASTIC NET)

用于回歸和分類的損失函數(shù)(LOSS FUNCTIONS FOR REGRESSION AND CLASSIFICATION)

拉格朗日對偶和凸優(yōu)化(LAGRANGIAN DUALITY AND CONVEX OPTIMIZATION)

支持向量機(jī)(SUPPORT VECTOR MACHINES)

次梯度下降(SUBGRADIENT DESCENT)

特征提取(FEATURE EXTRACTION)

核方法(KERNEL METHODS)

性能評估(PERFORMANCE EVALUATION)

「CITYSENSE」：用于異常行為檢測的概率模型("CITYSENSE": PROBABILISTIC MODELING FOR UNUSUAL BEHAVIOR DETECTION)

最大似然估計(MAXIMUM LIKELIHOOD ESTIMATION)

條件概率模型(CONDITIONAL PROBABILITY MODELS)

貝葉斯方法(BAYESIAN METHODS)

貝葉斯條件概率模型(BAYESIAN CONDITIONAL PROBABILITY MODELS)

分類和回歸樹(CLASSIFICATION AND REGRESSION TREES)

基礎(chǔ)統(tǒng)計學(xué)和 bootstrap 入門(BASIC STATISTICS AND A BIT OF BOOTSTRAP)

bagging 和隨機(jī)森林(BAGGING AND RANDOM FORESTS)

梯度提升(GRADIENT BOOSTING)

多類別和結(jié)構(gòu)化預(yù)測簡介(MULTICLASS AND INTRODUCTION TO STRUCTURED PREDICTION)

K-means 聚類(K-MEANS CLUSTERING)

高斯混合模型(GAUSSIAN MIXTURE MODELS)

用于潛在變量模型的期望最大化算法(EM ALGORITHM FOR LATENT VARIABLE MODELS)

神經(jīng)網(wǎng)絡(luò)(NEURAL NETWORKS)

反向傳播和鏈?zhǔn)椒▌t(BACKPROPAGATION AND THE CHAIN RULE)

下一步(NEXT STEPS)

第一課：黑箱機(jī)器學(xué)習(xí)

 

 

程序員具備大量記錄文檔良好的機(jī)器學(xué)習(xí)庫就可以進(jìn)行機(jī)器學(xué)習(xí)，而無需理解真正的運(yùn)作原理。我們鼓勵此類「黑箱」機(jī)器學(xué)習(xí)……只要你遵循本節(jié)課介紹的步驟。為了恰當(dāng)?shù)厥褂脵C(jī)器學(xué)習(xí)庫，你需要了解基本的機(jī)器學(xué)習(xí)詞匯、概念和工作流。我們將介紹標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)問題類型(分類和回歸)，討論預(yù)測函數(shù)、特征提取、學(xué)習(xí)算法、性能評估、交叉驗證、樣本偏差(sample bias)、非平穩(wěn)性(nonstationarity)、過擬合和調(diào)參。

Note：本課程的主講人 David Rosenberg 是彭博公司數(shù)據(jù)科學(xué)組 Office of the CTO 的科學(xué)家，同時也是紐約大學(xué)數(shù)據(jù)科學(xué)中心(Center for Data Science)的一名副教授，多次獲得該中心「年度教授」(Professor of the Year)獎項。他在 UC Berkeley 獲得博士學(xué)位，研究方向是統(tǒng)計學(xué)習(xí)理論和自然語言處理。在此之前，他在哈佛大學(xué)獲得應(yīng)用數(shù)學(xué)碩士學(xué)位，研究重心是計算機(jī)科學(xué)，在耶魯大學(xué)獲得數(shù)學(xué)學(xué)士學(xué)位。

原文鏈接：https://bloomberg.github.io/foml/#home

標(biāo)簽： 金融 開發(fā)者 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。