机器学习是当今数据分析领域最令人兴奋的职业的基础。您将学习模型和方法，并将其应用于现实世界的情况，从识别热门新闻主题到构建推荐引擎、对运动队进行排名以及绘制电影僵尸的路径。
涵盖的主要观点包括：
- 概率建模与非概率建模
- 监督学习与无监督学习
主题包括：分类和回归、聚类方法、顺序模型、矩阵分解、主题建模和模型选择。
方法包括：线性和逻辑回归、支持向量机、树分类器、Boosting、最大似然和 MAP 推理、EM 算法、隐马尔可夫模型、卡尔曼滤波器、k 均值、高斯混合模型等。
在课程的前半部分，我们将介绍回归和分类的监督学习技术。在这个框架中，我们拥有希望根据一组输入来预测的输出或响应。我们将讨论执行此任务的几种基本方法及其优化算法。我们的方法将更加注重实践，这意味着我们将充分发展对各个算法的数学理解，但我们只会简单地触及抽象学习理论。
在课程的后半部分，我们转向无监督学习技术。在这些问题中，最终目标不如根据相应输入预测输出那么明确。我们将讨论无监督学习的三个基本问题：数据聚类、矩阵分解和顺序相关数据的顺序模型。这些模型的一些应用包括对象推荐和主题建模。
乍看上去
- 机构：ColumbiaX
- 级别：高级
- 先决条件：
- 结石
- 线性代数
- 概率和统计概念
- 编码和数据操作的舒适度
- 英语语言
- 视频文字：英文
- 相关技能：隐马尔可夫模型、逻辑回归、机器学习、预测、K 均值聚类、支持向量机、监督学习、算法、Boosting、聚类分析、数学优化、数据分析、主题建模、矩阵分解、混合模型、无监督学习
- 用于回归和分类的监督学习技术
- 用于数据建模和分析的无监督学习技术
- 概率观点与非概率观点
- 模型学习的优化和推理算法
第一周： 最大似然估计、线性回归、最小二乘
第 2 周： 岭回归、偏差-方差、贝叶斯规则、最大后验推理
第 3 周： 贝叶斯线性回归、稀疏性、线性回归的子集选择
第 4 周： 最近邻分类、贝叶斯分类器、线性分类器、感知器
第 5 周： 逻辑回归、拉普拉斯近似、核方法、高斯过程
第 6 周： 最大边际、支持向量机、树木、随机森林、Boosting
第 7 周： 聚类、k 均值、EM 算法、缺失数据
第 8 周： 高斯混合、矩阵分解
第 9 周： 非负矩阵分解、潜在因子模型、PCA 和变体
第 10 周： 马尔可夫模型、隐马尔可夫模型
第 11 周： 连续状态空间模型、关联分析
第 12 周： 模型选择，后续步骤
