《机器学习》PPT课件 南京财经大学 陈海清

 
课件内容： 
机器学习引论 
1.1机器学习简介 
1.2有监督学习与无监督学习 
线性回归 
2.1 单变量线性回归 
2.2 梯度下降 
2.3 多变量线性回归 
2.4 多项式回归与正则方程 
Python基本语法 
3.1 Python标准数据类型 
3.2 python常用函数  
3.3 科学计算库Numpy  
3.4 简单作图与控制流语句  
3.5 Pandas简介  
线性模型的Python实现与面向对象编程 
4.1 向量化表示编程  
4.2 线性模型的代码实现  
4.3 类与面向对象编程  
4.4 自编模块和调用  
4.5 包的调用  
4.6 sklearn简介 
Logistic回归 
5.1 Logistic回归-1： 二分类问题、logistics的回归、决策边界函数 
5.2 Logistic回归-2：logistic回归的损失函数、logistic回归的梯度下降、多分类问题 
5.3 过拟合与正则化 
5.4 线性回归与logistic回归的正则化 
神经网络 
6.1 神经网络-1：神经网络的简介、 logistic回归与神经元、神经网络的模型表示 
6.2 神经网络-2：向前传播算法、神经网络的非线性表示、多分类情形 
6.3 神经网络-3：激活函数、损失函数、梯度下降 
6.4神经网络-4：计算图与反向传播、参数初始化、神经网络的设计 
模型的评价、诊断、改进及其设计 
7.1 模型评价与模型选择：模型评价、模型选择、模型改进的方向 
7.2 模型的诊断与改进：模型的诊断、正则化与偏差、方差问题、如何改进已有模型 
7.3 如何设计模型：介绍两个案例、误差分析、偏斜类数据、精确率、召回率、F1得分 
决策树与集成学习 
8.1 决策树-1：什么是决策树、如何构建决策树、集合的纯度 
8.2 决策树-2：决策树经典算法ID3、C4.5、CART、属性值连续的情形、回归树 
8.3 集成树与集成学习：决策树的缺陷、有放回抽样、集成树与集成学习、随机森林、AdaBoost 
支持向量机 
9.1 支持向量机-1：算法的思想、支持向量与间隔 、对偶问题、 KKT条件、支持向量的求解 
9.2 支持向量机-2：软间隔、特征变换、核函数 
9.3 支持向量机-3：再生核希尔伯特空间、C和sigma平方的选择与多分类、支持向量回归与应用建议 
聚类 
10.1 聚类-1：聚类任务、k-mean算法 
10.2 聚类-2：优化目标、如何选择聚类数、其他聚类算法（第2次开课修订） 
降维 
11.1 降维-1：降维及其应用、主成分分析 
11.2 降维-2：压缩数据的重构、主成分分析的应用、其他降维方法 
异常检测 
12.1 异常检测-1：什么是异常检测、异常检测系统构建与评估（第2次开课修订） 
12.2 异常检测-2：异常检测与有监督学习、如何选择使用的特征、基于多元分布的异常检测系统