彭博(Bloomberg)近日推出的《機器學習基礎》免費課程致力于讓人們深入了解機器學習專家使用的概念、技術和數(shù)學框架。該課程是視頻講解模式，目前已包含 30 節(jié)課，另有 7 次作業(yè)。

課程鏈接：https://bloomberg.github.io/foml/#home

 

 

課程簡介

彭博推出的《機器學習基礎》課程是一門訓練課程，最初只向彭博內部軟件工程師開放，作為「機器學習教育」(Machine Learning EDU)計劃的一部分。本課程覆蓋機器學習和統(tǒng)計建模的大量主題。主要目標是幫助參與者深入理解機器學習專家使用的概念、技術和數(shù)學框架。這門課程旨在使更多具備強大數(shù)學背景的個人能夠獲取更多珍貴的機器學習技術，包括軟件開發(fā)者、實驗科學家、工程師和金融專業(yè)人士。

這門課程一共包含 30 節(jié)課，觀看地址：https://www.youtube.com/playlist?list=PLnZuxOufsXnvftwTB1HL6mel1V32w0ThI

這門課程包括一套完整的作業(yè)，每份作業(yè)都包含 Python 理論元素和實現(xiàn)挑戰(zhàn)(Python 正在快速發(fā)展，是數(shù)據科學和機器學習學界和業(yè)界都很流行的編程語言)。本課程還可作為其他更專業(yè)課程的基礎課程，或者其他獨立研究的基礎。

第一講《黑箱機器學習》快速介紹了實際機器學習，只需要參與者熟悉基礎的編程概念。

必備條件

查看該課程的數(shù)學水平是否適合自己的最快方式：https://davidrosenberg.github.io/mlcourse/Notes/prereq-questions/math-questions.pdf，參與者可從這里預覽課程第一部分中的一些數(shù)學概念。

堅實的數(shù)學背景，相當于以下課程的大學本科初級水平：線性代數(shù)、多變量微積分(multivariate differential calculus)、概率論和統(tǒng)計學。例如，紐約大學的《DS-GA 1002: Statistical and Mathematical Methods》課程內容就足夠了。

Python 編程知識，大部分作業(yè)需要參與者掌握一定的 Python 編程知識。

推薦：至少一門進階、基于證明(proof-based)的數(shù)學課程。

推薦：具備計算機科學背景，如「數(shù)據結構和算法」課程。

《機器學習基礎》課程目錄：

黑箱機器學習(BLACK BOX MACHINE LEARNING)

案例研究：流失預測(CASE STUDY: CHURN PREDICTION)

統(tǒng)計學習理論入門(INTRODUCTION TO STATISTICAL LEARNING THEORY)

隨機梯度下降(STOCHASTIC GRADIENT DESCENT)

過度風險分解(EXCESS RISK DECOMPOSITION)

L1 和 L2 正則化(L1 AND L2 REGULARIZATION)

LASSO、Ridge 和 Elastic net(LASSO, RIDGE, AND ELASTIC NET)

用于回歸和分類的損失函數(shù)(LOSS FUNCTIONS FOR REGRESSION AND CLASSIFICATION)

拉格朗日對偶和凸優(yōu)化(LAGRANGIAN DUALITY AND CONVEX OPTIMIZATION)

支持向量機(SUPPORT VECTOR MACHINES)

次梯度下降(SUBGRADIENT DESCENT)

特征提取(FEATURE EXTRACTION)

核方法(KERNEL METHODS)

性能評估(PERFORMANCE EVALUATION)

「CITYSENSE」：用于異常行為檢測的概率模型("CITYSENSE": PROBABILISTIC MODELING FOR UNUSUAL BEHAVIOR DETECTION)

最大似然估計(MAXIMUM LIKELIHOOD ESTIMATION)

條件概率模型(CONDITIONAL PROBABILITY MODELS)

貝葉斯方法(BAYESIAN METHODS)

貝葉斯條件概率模型(BAYESIAN CONDITIONAL PROBABILITY MODELS)

分類和回歸樹(CLASSIFICATION AND REGRESSION TREES)

基礎統(tǒng)計學和 bootstrap 入門(BASIC STATISTICS AND A BIT OF BOOTSTRAP)

bagging 和隨機森林(BAGGING AND RANDOM FORESTS)

梯度提升(GRADIENT BOOSTING)

多類別和結構化預測簡介(MULTICLASS AND INTRODUCTION TO STRUCTURED PREDICTION)

K-means 聚類(K-MEANS CLUSTERING)

高斯混合模型(GAUSSIAN MIXTURE MODELS)

用于潛在變量模型的期望最大化算法(EM ALGORITHM FOR LATENT VARIABLE MODELS)

神經網絡(NEURAL NETWORKS)

反向傳播和鏈式法則(BACKPROPAGATION AND THE CHAIN RULE)

下一步(NEXT STEPS)

第一課：黑箱機器學習

 

 

程序員具備大量記錄文檔良好的機器學習庫就可以進行機器學習，而無需理解真正的運作原理。我們鼓勵此類「黑箱」機器學習……只要你遵循本節(jié)課介紹的步驟。為了恰當?shù)厥褂脵C器學習庫，你需要了解基本的機器學習詞匯、概念和工作流。我們將介紹標準的機器學習問題類型(分類和回歸)，討論預測函數(shù)、特征提取、學習算法、性能評估、交叉驗證、樣本偏差(sample bias)、非平穩(wěn)性(nonstationarity)、過擬合和調參。

Note：本課程的主講人 David Rosenberg 是彭博公司數(shù)據科學組 Office of the CTO 的科學家，同時也是紐約大學數(shù)據科學中心(Center for Data Science)的一名副教授，多次獲得該中心「年度教授」(Professor of the Year)獎項。他在 UC Berkeley 獲得博士學位，研究方向是統(tǒng)計學習理論和自然語言處理。在此之前，他在哈佛大學獲得應用數(shù)學碩士學位，研究重心是計算機科學，在耶魯大學獲得數(shù)學學士學位。

原文鏈接：https://bloomberg.github.io/foml/#home

標簽： 金融 開發(fā)者 網絡

版權申明：本站文章部分自網絡，如有侵權，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權歸原作者所有，如需使用，請與原作者聯(lián)系。