机器学习，说简单就简单，说难还真难，对于还没入行的同学，大概最难的是如何入门机器学习？应该掌握哪些知识？看什么书最高效？如何避免绕弯？如何利用已有基础进一步提高水平？😔束手无策。
为帮助对机器学习感兴趣同学快速高效入门机器学习，AI100特邀中科院教授冒老师，为大家带来系列直播课《机器学习大咖版》，课程从零开始讲解机器学习知识，层层递进，直通机器学习的本质及其应用。
直播时间丨10月11日起，每周三、五晚，共12节
活动丨早鸟价399元，报名从速
适合人群丨在校大学生/零基础/对机器学习感兴趣想要入行的小伙伴
冒老师
中科院副教授
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。
在CSDN学院授课过《XGBoost从基础到实战》《机器学习之数学基础》等系列精品直播，以专业实力爆表，亲和力爆表，课程群细致认真爆表，收获一大波冒菜（冒老师粉丝专属名😄）。
第一讲 机器学习简介 10月11日
| 课程内容 | 1. 机器学习定义； 2. 机器学习行业应用举例； 3. 机器学习任务：分类、回归、聚类、降维、半监督学习、迁移学习、强化学习； 4. 机器学习算法的组成部分：目标函数（损失函数+正则）、优化方法； 5. 模型评估和模型选择：模型复杂度、overfitting、交叉验证、超参数空间、网格搜索… |
| 案例 | 波士顿房价。 包含知识点—— 损失函数、L1/L2正则、最小二乘、梯度下降/随机梯度下降。 |
| 课程目标 | 熟悉机器学习领域的常用术语，了解机器学习在AI环境中的位置。 |
第二讲 第一个机器学习实例 10月13日
| 课程内容 | 1. 学习环境配置：常用软件、环境配置及机器学习库 anaconda：Python、Python科学计算包（NumPy,SciPy,Pandas）、Python数据可视化工具包（Matplotlib, seaborn）、Python机器学习库（scikit-learn） 2. 特征工程初步 3. 线性回归实现 |
| 案例 | 波士顿房价预测案例详解。 包含知识点—— 数据集探索（Pandas、seaborn）； 复习模型评估和模型选择：交叉验证、网格搜索（Sklearn）。 |
课程目标 | 学会用机器学习工具包从头到尾用线性回归解决一个实际问题。 |
第三讲 Logistic回归分析及神经网络 10月18日
| 课程内容 | 1. 损失函数：logistic损失 2. 优化算法：IRLS（梯度下降、牛顿法）、BP算法 3. 正则化：L1/ L2 4. 复习模型评估 |
| 案例 | Otto商品分类 包含内容—— 用Logistic回归和神经网络实现Otto商品分类 |
| 课程目标 | 理解分类任算法Logistic回归和神经网络原理，复习数据集探索，并学会用sklearn用Logistic |
第四讲 支持向量机（SVM） 10月20日
| 课程内容 | 1. 损失函数：Hingloss损失 优化算法：SOM（神经网络聚类算法）支持向量机——SMO（序列最小最优化算法 2. 正则化：L2/L1 3. 其他：最小间隔、核方法、支持向量回归 |
| 案例 | 用SVM实现Otto商品分类，重点比较SVM（不同参数正则参数和核函数）与Logistic回归 |
| 课程目标 | 学会用SVM模型分类任务 |
第五讲 降维与矩阵分解 10月25日
| 课程内容 | 1. 主成分分析（PCA） 2. 独立成分分析（ICA） 3. 非负矩阵分解（NFM） 4. 隐因子模型（LFM） |
| 案例 | 人脸图像特征提取： PCA、ICA、NFM LFM在推荐系统部分案例进行讲解 |
| 课程目标 | 学习用降维技术对高维特征进行降维 |
第六讲 聚类 10月27日
| 课程内容 | 1. Kmeans聚类和混合高斯模型GMM（EM算法） 2. 吸引子传播聚类算法（Affinity Propagation聚类算法） 3. Density Peak聚类算法 |
| 案例 | 1、Iris数据聚类分析：Kmeans、AP what makes Paris 2、Paris： 判别特征发现：聚类分类迭代（SVM、Kmeans） |
| 课程目标 | 学会常用的聚类算法 |
第七讲 特征工程 11月1日
| 课程内容 | 1、 数据预处理 2、 特征编码：标签编码、Dummy (One hot) 编码、后验均值编码 3、 特征组合 4、 特征选择 |
| 案例 | 案例：Rent Listing Requries数据探索及特征工程 数据预处理：缺失值处理、异常值处理、数据相关性分析 数据可视化 特征编码： |
| 课程目标 | 学会数据预处理常用方法及特征编码方法 |
第八讲 决策树及基于树的集成模型：随机森林 11月3日
| 课程内容 | 1. 损失函数：Gini系数 2. 正则：L1/L2正则、及早停止 3. 优化：分裂 4. Bagging &随机森林 |
| 案例 | 蘑菇分类 决策树、随机森林、Logistic回归 参数调优和网格搜索 |
| 课程目标 | 学习Bagging集成思想及基于决策树的集成算法：随机森林 |
第九讲 梯度提升决策树（GBDT） 11月8日
| 课程内容 | 1. 第一个Boosting算法：AdaBoost 2. 流行GBDT模型：xgboost、lightGBM |
| 案例 | Otto商品分类：xgboost及参数调优 |
| 课程目标 | 学会kaggle神器xgboost原理及其在实例任务上的应用 |
第十讲 推荐系统与广告点击率（CTR）预估（1） 11月10日
| 课程内容 | 1. 协同过滤（Collaborative filtering，CF） 2. 基于内容的过滤 3. FFM & LFM 4. 关联规则 |
| 案例 | Expedia Hotel Recommendations |
| 课程目标 | 学习推荐系统和CTR预估的基本技术 |
第十一讲 推荐系统与广告点击率（CTR）预估（2） 11月15日
| 课程内容 | 1、 排序学习 2、模型评估 |
| 案例 | Expedia Hotel Recommendations |
| 课程目标 | 通过实际案例学会推荐系统实现 |
第十二讲 模型融合 11月17日
| 课程内容 | 1. Blending 2. Stacking |
| 案例 | Otto商品分类／Expedia Hotel Recommendations：Stacking |
| 课程目标 | 出师，准备做一只机器学习大咖 |
加入课程微信群
扫码加课程小助手，回复“大咖”，进课程讨论群一起做机器学习大咖！
