机器学习40讲
王天一
工学博士,副教授
立即订阅
8486 人已学习
课程目录
已完结 45 讲
0/4登录后,你可以任选4讲全文学习。
开篇词 (1讲)
开篇词 | 打通修炼机器学习的任督二脉
免费
机器学习概观 (10讲)
01 | 频率视角下的机器学习
02 | 贝叶斯视角下的机器学习
03 | 学什么与怎么学
04 | 计算学习理论
05 | 模型的分类方式
06 | 模型的设计准则
07 | 模型的验证方法
08 | 模型的评估指标
09 | 实验设计
10 | 特征预处理
统计机器学习模型 (18讲)
11 | 基础线性回归:一元与多元
12 | 正则化处理:收缩方法与边际化
13 | 线性降维:主成分的使用
14 | 非线性降维:流形学习
15 | 从回归到分类:联系函数与降维
16 | 建模非正态分布:广义线性模型
17 | 几何角度看分类:支持向量机
18 | 从全局到局部:核技巧
19 | 非参数化的局部模型:K近邻
20 | 基于距离的学习:聚类与度量学习
21 | 基函数扩展:属性的非线性化
22 | 自适应的基函数:神经网络
23 | 层次化的神经网络:深度学习
24 | 深度编解码:表示学习
25 | 基于特征的区域划分:树模型
26 | 集成化处理:Boosting与Bagging
27 | 万能模型:梯度提升与随机森林
总结课 | 机器学习的模型体系
概率图模型 (14讲)
28 | 最简单的概率图:朴素贝叶斯
29 | 有向图模型:贝叶斯网络
30 | 无向图模型:马尔可夫随机场
31 | 建模连续分布:高斯网络
32 | 从有限到无限:高斯过程
33 | 序列化建模:隐马尔可夫模型
34 | 连续序列化模型:线性动态系统
35 | 精确推断:变量消除及其拓展
36 | 确定近似推断:变分贝叶斯
37 | 随机近似推断:MCMC
38 | 完备数据下的参数学习:有向图与无向图
39 | 隐变量下的参数学习:EM方法与混合模型
40 | 结构学习:基于约束与基于评分
总结课 | 贝叶斯学习的模型体系
结束语 (1讲)
结课 | 终有一天,你将为今天的付出骄傲
加餐 (1讲)
如何成为机器学习工程师?
机器学习40讲
登录|注册

如何成为机器学习工程师?

王天一 2020-03-14
你好,我是王天一。最近很多人都找我聊天,想了解机器学习工程师这个岗位到底需要哪些技能,怎么样才能有更好的发展。正好,那就写一篇加餐吧,把我的一些想法跟你好好聊聊。
说到数据分析师和机器学习工程师这样的新兴职业,你的第一印象是什么呢?数据分析师是不是跟电脑屏幕上汹涌澎湃的曲线大眼瞪小眼?机器学习工程师是不是闭着眼睛对着一堆参数调来调去,抓耳挠腮?其实真相远非如此简单。如果说机器学习的学术研究多多少少还带着点儿玄学色彩的话,它在商业领域中的应用就要踏实得多,因为没有哪个公司的老板会容忍自己的钱扔进水里,连个响儿都听不见的。
随着大数据技术与人工智能技术的普及,越来越多的企业开始以它们为驱动力来助推商业表现,像推荐系统和风控系统就是数据分析在商业领域的经典应用。这样的新趋势也催生了一系列相关的新岗位,比如数据科学家、数据工程师、机器学习工程师等等。这些岗位在数据分析管理的任务上分工协作,其内涵既有一定的重合,又有明显的区别。今天,我们就来聊一聊这些岗位。
本质上讲,大数据也好,机器学习也好,人工智能也好,在商业领域中的作用都是建立数据驱动的自动化决策过程。传统的商业分析大多建立在通过问卷调查形式所取得的用户反馈或是较长时间段内的汇总数据的基础上。但在互联网空前普及的今天,海量实时的多维度数据已经成为对用户行为更加真实和迅速的反映,如何从数据中提取出有价值的信息,进而形成准确的决策,就成为了数据分析团队或者人工智能团队的核心任务。
取消
完成
0/1000字
划线
笔记
复制
© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
该试读文章来自付费专栏《机器学习40讲》,如需阅读全部文章,
请订阅文章所属专栏。
立即订阅
登录 后留言

精选留言(6)

  • 日拱一卒
    惊不惊喜,意不意外!
    2020-03-14
    2
  • dra
    时隔两年的加餐
    2020-03-14
    2
  • 夜空中最亮的星(华仔)
    又见王老师,😄
    2020-03-14
    1
  • Fan·Tastic
    很好的学习路线,有目的的学习和专攻!
    2020-03-20
  • James-Pang
    最近在职业规划上正好遇到一些疑惑,感谢老师的及时雨
    2020-03-15
  • 盘胧
    惊喜,是有新课了嘛
    2020-03-14
收起评论
6
返回
顶部