大話機器學(xué)習(xí)（原理|算法|建模|代碼30講）

第1部分機器學(xué)習(xí)的數(shù)學(xué)理論理解

第1講這個不確定的世界如何描述

1.1概率、幾率及期望

1.1.1概念及定義

1.1.2概率和幾率的關(guān)系

1.1.3期望值

1.2概率函數(shù)、概率分布函數(shù)和概率密度函數(shù)

1.2.1隨機變量和普通變量的區(qū)別

1.2.2離散型隨機變量和連續(xù)型隨機變量

1.2.3離散型隨機變量概率函數(shù)

1.2.4離散型隨機變量概率分布

1.2.5離散型隨機變量概率分布函數(shù)

1.2.6連續(xù)型隨機變量的概率函數(shù)和分布函數(shù)

1.3條件概率、聯(lián)合概率以及貝葉斯公式

1.3.1計算條件概率和聯(lián)合概率

1.3.2貝葉斯公式的歷史和現(xiàn)實含義

1.4本講小結(jié)

第2講數(shù)據(jù)的形態(tài)描述

2.1正態(tài)分布

2.2混合高斯分布

2.3伯努利分布及二項分布

2.4泊松分布

2.5指數(shù)分布

2.6冪律分布

2.7以上分布的總結(jié)和聯(lián)系

2.8本講小結(jié)

第3講信息的數(shù)學(xué)表達

3.1自信息

3.2信息熵

3.3信息增益

3.4相對熵

3.5交叉熵

3.6基尼指數(shù)(不純度)

3.7本講小結(jié)

第4講隨機變量的相關(guān)性和重要性

4.1數(shù)值型變量之間的相關(guān)性

4.1.1協(xié)方差

4.1.2皮爾遜相關(guān)系數(shù)

4.2類別型變量之間的相關(guān)性

4.2.1互信息

4.2.2卡方值

4.3證據(jù)權(quán)重和信息值

4.3.1證據(jù)權(quán)重

4.3.2信息值

4.4本講小結(jié)

第5講抓住主要矛盾——降維技術(shù)理論

5.1主成分分析

5.2線性判別分析

5.3奇異值分解

5.4自編碼器

5.5PCA、SVD和 AE 是親戚

5.6傅里葉變換

5.7本講小結(jié)

第6講采樣方法

6.1拒絕采樣

6.2馬爾可夫鏈蒙特卡羅采樣

6.3MetropolisHastings采樣

6.4吉布斯采樣

6.5湯普森采樣

6.6上采樣人工合成數(shù)據(jù)策略

6.7本講小結(jié)

第7講抬頭看路低頭拉車的迭代方法

7.1迭代求解

7.2梯度下降法

7.3牛頓法及其改進算法

7.3.1泰勒展開式

7.3.2牛頓法

7.4Adam(Adaptive Moment Estimation)方法

7.4.1動量法(Momentum)

7.4.2RMSProp 方法

7.4.3最終方法

7.5本講小結(jié)

第8講經(jīng)典最優(yōu)化問題求解方法

8.1最小二乘估計

8.2最大似然估計

8.3最大后驗概率

8.4期望最大化方法

8.5最大熵模型

8.6本講小結(jié)

第2部分機器學(xué)習(xí)模型、方法及本質(zhì)

第9講機器學(xué)習(xí)的方法論

9.1總體方法論

9.1.1業(yè)務(wù)理解建模

9.1.2建立假設(shè)模型

9.1.3數(shù)據(jù)收集

9.1.4數(shù)據(jù)準備

9.1.5建模分析

9.1.6解釋和模型評估

9.2建模分析的一般步驟

9.3模型和算法

9.3.1按學(xué)習(xí)方法區(qū)分

9.3.2按任務(wù)維度區(qū)分

9.3.3按模型的類型分

9.3.4模型算法和維度的對應(yīng)

9.4本講小結(jié)

第10講數(shù)據(jù)準備

10.1厘清數(shù)據(jù)來源

10.1.1先有模型還是先有數(shù)據(jù)

10.1.2數(shù)據(jù)來源的類型

10.2數(shù)據(jù)的探索性分析

10.2.1主要工作內(nèi)容

10.2.2主要步驟

10.3本講小結(jié)

第11講異常檢測和處理

11.1什么是異常值

11.2異常檢測面臨的挑戰(zhàn)

11.3異常的種類

11.4異常檢測的應(yīng)用領(lǐng)域

11.5異常檢測的方法

11.5.1基于統(tǒng)計模型的異常檢測

11.5.2基于深度學(xué)習(xí)的異常檢測

11.6本講小結(jié)

第12講特征數(shù)據(jù)的預(yù)處理

12.1特征標準化

12.2連續(xù)變量離散化

12.2.1為什么要離散化

12.2.2如何進行離散化

12.3離散型特征處理

12.3.1數(shù)值化處理

12.3.2啞編碼

12.3.3時間序列處理

12.4本講小結(jié)

第13講特征的選擇、提取和構(gòu)造

13.1為什么要進行特征的選擇、提取和構(gòu)造

13.1.1特征數(shù)量和模型性能的關(guān)系

13.1.2特征選擇、提取和構(gòu)造的主要原因

13.1.3其他非技術(shù)因素

13.2特征的選擇

13.2.1過濾策略

13.2.2包裹策略

13.2.3嵌入策略

13.2.4三種策略的總結(jié)

13.3特征的提取和構(gòu)造

13.3.1特征投影(降維)

13.3.2特征組合

13.4本講小結(jié)

第14講機器學(xué)習(xí)模型——邏輯回歸和梯度提升決策樹

14.1邏輯回歸

14.1.1Logit的引入

14.1.2參數(shù)的求解過程

14.1.3模型的使用

14.1.4模型的本質(zhì)

14.2梯度提升決策樹

14.2.1梯度提升決策樹的含義

14.2.2梯度提升決策樹的實現(xiàn)過程

14.2.3梯度提升決策樹例子及分析

14.2.4XGBoost

第15講機器學(xué)習(xí)模型——概率圖模型

15.1概述

15.2概率圖模型族譜及特征

15.2.1特征一： 有向和無向

15.2.2特征二： 馬爾可夫性質(zhì)

15.2.3特征三： 判別式和生成式

15.2.4特征四： 序列型模型

15.2.5核心概念小結(jié)

15.3兩個典型的概率圖模型

15.3.1隱馬爾可夫模型

15.3.2條件隨機場(CRF)

第16講機器學(xué)習(xí)模型——強化學(xué)習(xí)

16.1ε貪婪算法

16.2置信區(qū)間上界算法

16.3湯普森采樣

16.3.1貝塔分布

16.3.2貝塔分布與二項式分布的共軛先驗性質(zhì)

16.3.3湯普森采樣的具體過程

16.4共性問題

第17講探索式學(xué)習(xí)

17.1概述

17.2模擬退火算法

17.3遺傳算法

17.4蟻群算法

第18講機器學(xué)習(xí)模型——人工神經(jīng)網(wǎng)絡(luò)

18.1神經(jīng)網(wǎng)絡(luò)的起源

18.2神經(jīng)網(wǎng)絡(luò)的開端

18.2.1最簡單的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)——感知機

18.2.2多層感知機

18.3神經(jīng)網(wǎng)絡(luò)的崛起——反向傳播神經(jīng)網(wǎng)絡(luò)

18.4神經(jīng)網(wǎng)絡(luò)的突破——深度學(xué)習(xí)

18.4.1圖像識別的過程展示

18.4.2深度學(xué)習(xí)成功的關(guān)鍵

18.4.3深度學(xué)習(xí)的缺陷

18.5神經(jīng)網(wǎng)絡(luò)的實質(zhì)——通用逼近定理

第19講基于機器學(xué)習(xí)的推薦技術(shù)

19.1推薦的作用

19.2推薦采用的方法

19.2.1基于鄰域的推薦方法

19.2.2隱語義模型推薦方法

19.2.3利用標簽的推薦方法

19.2.4利用上下文信息推薦方法

19.2.5深度學(xué)習(xí)推薦方法

19.3推薦效果評測指標和維度

第20講激活函數(shù)

20.1激活函數(shù)的作用

20.2激活函數(shù)的要求

20.3常用激活函數(shù)介紹

20.3.1Sigmoid函數(shù)

20.3.2tanh函數(shù)

20.3.3ReLU函數(shù)

20.3.4LeakyReLU函數(shù)

20.3.5ELU函數(shù)

20.3.6softmax函數(shù)

20.3.7常用激活函數(shù)的選擇建議

20.3.8高斯函數(shù)

第21講代價函數(shù)

21.1損失函數(shù)、代價函數(shù)和目標函數(shù)

21.2經(jīng)驗風(fēng)險、期望風(fēng)險和結(jié)構(gòu)風(fēng)險

21.3正則化的本質(zhì)

21.4常用損失函數(shù)

21.4.1平均絕對誤差和均方誤差

21.4.2Huber損失

21.4.3對數(shù)損失

21.4.4對比損失/三元組損失(Triplet Loss)

21.5本講小結(jié)

第22講模型效果的衡量方法

22.1分類問題的模型效果衡量方法

22.1.1混淆矩陣

22.1.2FScore

22.1.3ROC及AUC

22.1.4KS值

22.2回歸模型中的效果衡量方法

22.3模型的選擇要素——偏差和方差

22.4交叉驗證

22.5本講小結(jié)

第23講機器學(xué)習(xí)和人工智能展望

23.1當(dāng)前人工智能技術(shù)本質(zhì)的認識

23.1.1人工智能和機器學(xué)習(xí)的關(guān)系

23.1.2信息技術(shù)產(chǎn)業(yè)鏈條

23.2第三代人工智能的發(fā)展方向

23.2.1第一代和第二代人工智能的歷史

23.2.2第三代人工智能要求

23.3人工智能的小數(shù)據(jù)、大任務(wù)范式

23.3.1一只烏鴉給我們的啟示

23.3.2小數(shù)據(jù)、大任務(wù)范式

第3部分機器學(xué)習(xí)實例展示

第24講垃圾郵件判斷(樸素貝葉斯分類)

24.1問題描述

24.2算法詳述

24.3代碼詳述

第25講客戶流失預(yù)測(高斯貝葉斯分類)

25.1問題描述

25.2算法詳述

25.3代碼詳述

第26講兩個特殊硬幣的投擲概率(期望最大化方法)

26.1問題描述

26.2算法詳述

26.3代碼詳述

第27講信用卡申請評分卡模型(WOE/IV邏輯回歸)

27.1問題描述

27.2算法詳述

27.3代碼詳述

第28講用戶忠誠度變化軌跡預(yù)測(隱馬爾可夫模型)

28.1問題描述

28.2算法詳述

28.3代碼詳述

第29講產(chǎn)品的價格設(shè)定(強化學(xué)習(xí))

29.1問題描述

29.2算法詳述

29.3代碼詳述

第30講數(shù)據(jù)智能平臺

30.1數(shù)據(jù)智能包含哪些內(nèi)容

30.1.1基礎(chǔ)平臺

30.1.2融合平臺

30.1.3治理系統(tǒng)

30.1.4質(zhì)量保證

30.1.5安全計算

30.1.6分析挖掘

30.1.7數(shù)據(jù)可視化

30.2產(chǎn)品化的數(shù)智平臺

30.3本講小結(jié)