课程介绍这门课和炼数成金《机器学习》这堂课是相伴而行的。在进入本学习之前, 最好是已经学过了《机器学习》, 或者是正在同时进修《机器学习》这两堂课程一起修习能够获得更理想的效果。对于刚开始接触本课程的初学者而言, 我们的建议是同时参加《机器学习》快班具体什么是快班的情况请点击了解。就这门课来讲的话, 它和《机器学习》那门课程相比, 有以下几个特点存在。1对于在《机器学习》里面已经讲清楚了的模型算法, 我们会站到更高的地方, 把粒度切得更细, 从更深更深的层次去进行扩充, 例如决策树, 在这个课程里面会非常详细地讲解剪枝过程, 还有之前没有涉及过的回归树。例如关于贝叶斯分类, 本课程会将其提升到贝叶斯学习的高度。许多模型其实都包含贝叶斯的含义, 我们能够从更高的视角去观察并理解这种贝叶斯思维的方式, 同时还会把内容推广到贝叶斯图以及通常的概率图模型方面。针对支持向量机这个问题, 我们会讲解更多的凸优化知识, 还会涉及对偶问题所具有的背景信息, 此外, 教学内容也会扩展到核方法上面。该版本在第二个方面进行了大幅度的内容补充, 将那些在原本书《机器学习》里没有找到踪迹, 但是广大读者群体又表现得极其感兴趣的知识点全部涵盖进去了, 这些具体的知识点包括了特征工程、半监督学习、被大家称为是神器的算法方法以及流形学习等等诸多领域, 可以说都是受众内心深处梦寐以求想要获取的知识精华。3讲述了机器学习主流算法在具体环境下的实现过程, 学习者能够熟练地运用相关的资源包, 快速地实现或者编写部分代码, 部署自己的模型, 并且通过代码实现的案例, 了解这些模型的应用场景与调优方法。在最近的2年里, 机器学习领域得到了长足的发展。这种语言具有简便、轻量的特点, 并且拥有设计合理的语言特性, 因此成为人工智能领域的推荐语言。同时, 在算法模型的封装与积累方面, 也取得了显著的进步。如今相关的成果呈现出爆炸式的增长的态势。如果能学好这门手艺, 那么对于实现个人的价值来说, 将会大有裨益。本课程的受众对象, 主要是那些没有经过专业训练的人, 这些人可能从事IT方面的工作, 比如充当程序员的角色, 或者担任运维的职责, 又或者是作为IT系统架构师存在, 此外, 也适合那些没有受过正规科班数据分析师训练的人员, 因为数据分析这个事情, 它处于一个交叉领域的地带, 这个领域同时包含了业务的知识, 算法的技术跟IT的能力, 一旦有人能够同时熟悉这三个方面的所有内容, 那么他就能够去轻松地玩转大数据, 进而产生无穷无尽的各种花样, 并且最终创造出巨大的价值。但是很无奈, 这样的情况是这种人才太少了, IT人员即使熟悉本公司的业务, 但同时又熟悉算法的人极少。一般只能做一些简单的维度统计指标计算等等, 如果说到开发更高智能的系统, 知识上鞭长莫及。本课程的目标, 正是要打破知识的鸿沟, 向IT人员普及算法知识, 并把这些知识用于实际项目, 把中国的机器学习应用能力提高一个台阶。课程内容这是第一节课, 主要讲的是机器学习的根基, 具体包含有监督学习、无监督以及半监督学习, 同时也会厘清机器学习与深度学习还有人工智能这几者之间的关联。接着需要着手部署机器学习所需的环境比如Numpy、Scipy、-learn以及Keras这些工具都要准备好, 以便能在上面运行基础的算法, 最后还要拿它们跟R语言和Julia等等其他选择做个比较看看。第二节的内容是从贝叶斯网络讲起, 然后再讲到概率图模型, 这中间涵盖了关于贝叶斯统计学的相关理论, 也涉及到用贝叶斯的思维来理解问题, 可以说一切都是跟贝叶斯有关的。接下来会讨论生成式模型以及判别式模型之间的区别, 接着会解释什么是先验知识, 还会讲述在用小数据进行学习的时候, 是如何使用贝叶斯统计学的。在这一部分里, 大家需要动手部署一下pyMC这个工具。最后的话, 会有一个关于手机短信发送行为的分析案例。在第3课中我们会讲授吉布斯抽样, 这是一种在贝叶斯统计里面采用MCMC的方法。同时我们会通过网站转化率A/B测试的案例来进行说明。另外还会用贝叶斯回归做金融预测的案例来展开讲解。在第4课里面, 我们要讲的是决策树这种算法, 还有信息熵以及相对熵这两个概念, 同时也涵盖了像ID3这个算法、C4.5这个算法、CART这个算法等等这些内容, 并且还会涉及到剪枝这个过程是怎样的。最后我们是用-learn这个库来实现对决策树的操作的。第5课是关于回归树算法的内容, 这里面包括了提升树、分类提升树和回归提升树, 还有梯度提升的概念, 接着是利用决策树来构建随机森林的方法, 以及深度森林的相关内容, 并且会对比深度森林和深度神经网络的区别, 最后还要讨论一个大家关心的问题, 那就是深度森林到底能不能取代深度学习。第6课原理及实现。计算学习理论机器学习是骗局吗VC维与样本复杂度。超参数如何选择缺失数据处理方法。类不平衡的处理。特征工程。与上述问题有关的-learn函数。第7课的任务是在海量的短信数据里面, 去找到并定位那些垃圾短信。这里面涉及到半监督学习这个技术, 以及它所面临的困难之处。我们还需要讲清楚聚类假设和流形假设这两个概念。课程会介绍从k-means算法发展出来的半监督学习算法。协同训练及其具体的实现方法也是教学要点之一。接下来是co-算法, 并且要把这个算法应用在医学图像分析上。最后还会讲解半监督支持向量机SVM以及它的实现过程。在第8课当中, 大家将会接触到一种基于EM算法的半监督学习生成式方法, 与此同时, 还会讨论基于图的方法以及具体的实现细节, 并且对多种不同的半监督学习方法产生的效果进行比较, 最后则通过使用某种具体手段来实现对手写体的识别工作。第9课流形学习与降维用-learn实现流形学习授课时间这一门课程会在2026年08月11日这一天进行开课操作, 关于这个课程本身的系统设计方面, 总计一共包含有9课的内容设置, 同时对于整个课程所持续的大概时间长度而言, 预计总共是需要达到11周这样一个时间周期范围的。授课对象对于机器学习感兴趣的伙伴来说, 这个内容特别适合那些想要深入学习算法原理的IT行业的专业人士, 或者是没有接受过正规科班训练、但正在从事数据分析工作的人员。建议参与者最好具备一些关于线性代数以及统计学等方面的数学领域的常识性储备, 当然就算现在没有掌握这些基础知识也完全没关系, 因为大家可以在课程学习的过程当中进行快速的学习和补强。收获预期对于拥有数据分析基础的人士而言, 这一过程能够帮助他们切实地提升自身处理海量数据的能力。而对于具备IT技术背景的相关人员, 他们则可以通过具体的课程学习, 深入了解机器学习算法背后的核心原理以及其在实际场景中的应用方法, 从而顺利进军大数据分析这一专业领域。负责讲课的那位老师是谁?他是中国著名的数据库网站ITPUB的创始人, 也是知名数据分析网站炼数成金的创始人, 他在数据库和数据分析这两个领域都是专家级人物, 同时他还积累了非常丰富的IT行业和数学领域的知识经验。他将负责带领自己的数据分析团队来共同完成整个授课工作。全国统一咨询热线关于课程入门的讨论和咨询, 大家可以进入这个群组进行交流。