深度学习进阶:算法与应用

课程简介:

彭亮
美国犹他州立大学在读计算机博士,从事机器学习,深度学习,以及计算机视觉方向的研究。美国国家科学基金年轻学者奖学金获得者。

[code]官方课程链接:http://www.maiziedu.com/course/572/[/code]

课程目录:

1.基本概念清晰版
2.软件包安装和环境配置总述
3.环境配置分部详解
4.环境配置分部详解下
5.手写数字识别
6.神经网络基本结构及梯度下降算法
7.随机梯度下降算法
8.梯度下降算法实现上
9.梯度下降算法实现下
10.神经网络手写数字演示
11.Backpropagation算法上
12.Backpropagation算法下
13.Backpropagation算法实现
14.cross-entropy函数
15.Softmax和Overfitting
16.Regulization
17.Regulazition和Dropout
18.正态分布和初始化(修正版)
19.提高版本的手写数字识别实现
20.神经网络参数hyper-parameters选择
21.深度神经网络中的难点
22.用ReL解决VanishingGradient问题
23.ConvolutionNerualNetwork算法
24.ConvolutionNeuralNetwork实现上
25.ConvolutionNeuralNetwork实现下
26.Restricted Boltzmann Machine
27.Restricted Boltzmann Machine下
28.Deep Brief Network 和 Autoencoder

课程截图:

深度学习基础介绍-机器学习

课程简介:

本课作为深度学习系列课程的第一阶段,介绍机器学习的基本概念,原理,以及常用算法(如决策树,支持向量机,神经网络算法等)。以Python语言为工具对每种算法进行结合实例讲解。学生学完本课程后将会理解机器学习的常用算法原理,并会使用Python中相关的package来对实际问题进行数据预处理,分类和回归分析。为开发机器学习相关应用打下必要基础,同时也为学习深度学习进阶课程打下必要基础。

[code]官方课程链接:http://www.maiziedu.com/course/373/[/code]

课程目录:

1.课程介绍机器学习介绍上
2.课程介绍机器学习介绍下
3.深度学习介绍
4.基本概念
5.决策树算法
6.决策树应用
7.最邻近规则分类KNN算法
8.最邻近规则KNN分类应用
9.支持向量机SVM上
10.支持向量机SVM上应用
11.神经网络算法应用上
12.神经网络算法应用下
13.简单线性回归上
14.简单线性回归下
15.多元线性回归
16.多元线性回归应用
17.非线性回归 Logistic Regression
18.非线性回归应用
19.神经网络NN算法
20.支持向量机(SVM)算法(下)应用
21.支持向量机(SVM)算法下
22.回归中的相关度和决定系数
23.回归中的相关性和R平方值应用
24.Kmeans算法
25.Kmeans应用
26.Hierarchical clustering 层次聚类
27.总结

课程截图:

机器学习及其matlab实现—从基础到实践 MATLAB入门基础到进阶视频教程

课程简介:

近年来,随着人工智能的发展,机器学习已经广泛应用于各行各业中,如语言识别、文 本分类、智能推荐、网络安全、物联网等。然而,对于绝大部分非数学专业出身的人而言, 谈到机器学习,就会被大量的数学公式吓到退避三舍。实际上,随着计算机与信息技术的快 速发展,越来越多的人仅需要会使用机器学习这一工具即可,无需了解各种机器学习算法的 细枝末节。正如,我们每天都在使用计算机,但是我们不需要了解 CPU 和内存在每一时刻 的具体运行过程。因此,我们推出本课程,旨在帮助学员了解各种常见机器学习算法的原理与思想,同时,以具体案例的形式,引导学员自己动手实践编程。
考虑到众多学员基础不一,本次课程将会分成三大部分:MATLAB 入门基础与提高、机器学习基础和具体案例实践。

课程由炼数成金发布,猴头客收集整理于网络,如有侵权,请联系猴头客删除!

课程目录:

第一课:MATLAB 入门基础
1、简单介绍 MATLAB 的安装、版本历史与编程环境
2、MATLAB 基础操作(包括矩阵操作、逻辑与流程控制、函数与脚本文件、基本绘图等)
3、文件导入(mat、txt、xls、csv 等格式)

第二课:MATLAB 进阶与提高
1、MATLAB 编程习惯与风格
2、MATLAB 调试技巧
3、向量化编程与内存优化
4、图形对象和句柄

第三课:BP 神经网络
1、BP神经网络的基本原理
2、BP神经网络的 MATLAB 实现
3、案例实践
4、BP神经网络参数的优化

第四课:RBF、GRNN 和 PNN 神经网络
1、RBF 神经网络的基本原理
2、GRNN 神经网络的基本原理
3、PNN 神经网络的基本原理
4、案例实践

第五课:竞争神经网络与 SOM 神经网络
1、竞争神经网络的基本原理
2、自组织特征映射(SOM)神经网络的基本原理
3、案例实践

第六课:支持向量机(Support Vector Machine, SVM)
1、SVM 分类的基本原理
2、SVM 回归拟合的基本原理
3、SVM 的常见训练算法(分块、SMO、增量学习等)
4、案例实践

第七课:极限学习机(Extreme Learning Machine, ELM)
1、ELM 的基本原理
2、ELM 与 BP 神经网络的区别与联系
3、案例实践

第八课:决策树与随机森林
1、决策树的基本原理
2、随机森林的基本原理
3、案例实践

第九课:遗传算法(Genetic Algorithm, GA)
1、遗传算法的基本原理
2、常见遗传算法工具箱介绍
3、案例实践

第十课:粒子群优化(Particle Swarm Optimization, PSO)算法
1、粒子群优化算法的基本原理
2、案例实践

第十一课:蚁群算法(Ant Colony Algorithm, ACA)
1、粒子群优化算法的基本原理
2、案例实践

第十二课:模拟退火算法(Simulated Annealing, SA)
1、模拟退火算法的基本原理
2、案例实践

第十三课:降维与特征选择
1、主成分分析的基本原理
2、偏最小二乘的基本原理
3、常见的特征选择方法(优化搜索、Filter 和 Wrapper 等)

课程截图:

感谢来自@xuexi 的投稿!