一学期机器学习与深度学习大师班

通过使用 NumPy、Scikit-learn、Pandas、Matplotlib、PyTorch 解决 80 多个项目，提供面向实践的解释。

讲师：Zeeshan Ahmad

---

您将学到什么

• 机器学习和深度学习算法的理论、数学和实现。
• 经典机器学习中使用的分类模型，例如逻辑回归、KNN、支持向量机、决策树和随机森林
• 构建人工神经网络并将其用于回归和分类问题
• 将 GPU 与神经网络和深度学习模型结合使用。
• 卷积神经网络
• 迁移学习
• 循环神经网络和 LSTM
• 时间序列预测和分类。
• 自动编码器
• 生成对抗网络（GAN）
• 从零开始学习 Python
• Numpy、Matplotlib、Seaborn、Pandas、Pytorch、Scikit-learn 和其他 Python 库。
• 使用机器学习和深度学习模型解决了 80 多个项目

探索相关主题

• Python
• 数据科学
• 发展

要求

• 最好具备一些编程知识，但这不是必需的
• Gmail 帐户（用于 Google Colab）

描述

介绍

课程介绍

机器学习和深度学习简介

Google Colab 简介

Python速成课程

数据预处理

监督机器学习

回归分析

逻辑回归

K最近邻（KNN）

贝叶斯定理和朴素贝叶斯分类器

支持向量机（SVM）

决策树

随机森林

机器学习中的增强方法

神经网络和深度学习简介

激活函数

损失函数

反向传播

用于回归分析的神经网络

分类神经网络

Dropout 正则化和批量归一化

卷积神经网络（CNN）

循环神经网络（RNN）

自动编码器

生成对抗网络（GAN）

无监督机器学习

K均值聚类

层次聚类

基于密度的噪声应用空间聚类（DBSCAN）

高斯混合模型（GMM）聚类

主成分分析（PCA）

您将学到什么

• 机器学习和深度学习算法的理论、数学和实现。
• 回归分析。
• 经典机器学习中使用的分类模型，例如逻辑回归、KNN、支持向量机、决策树、随机森林和机器学习中的增强方法。
• 构建人工神经网络并将其用于回归和分类问题。
• 将 GPU 与深度学习模型结合使用。
• 卷积神经网络
• 迁移学习
• 循环神经网络
• 时间序列预测和分类。
• 自动编码器
• 生成对抗网络
• 从零开始学习 Python
• Numpy、Matplotlib、seaborn、Pandas、Pytorch、scikit-learn 和其他 Python 库。
• 使用机器学习和深度学习模型解决了 80 多个项目。

本课程适合哪些人：

• 机器学习和深度学习课程的学生
• 想要从头学习机器学习和深度学习的初学者
• 人工智能研究人员
• 希望培养 Python 编程技能来解决机器学习和深度学习任务的学生和研究人员
• 了解 Matlab 和其他编程语言并希望转向 Python 进行机器学习和深度学习的人