|
所在平台: Coursera |
课程主页: https://www.coursera.org/learn/machine-learning-techniques
课程评论：没有评论
课程名称：机器学习技法 课程概述：本课程将“机器学习基石”课程中所学的基本工具扩展为强大而实用的模型，主要从三个方向进行深化，分别是嵌入大量特征、融合预测特征和萃取潜藏特征。 课程大纲： 1. 第一讲：线性支持向量机 描述：通过二次规划解决更稳健的线性分类问题。 2. 第二讲：对偶支持向量机 描述：另一种支持向量机的QP形式，提供有价值的几何信息，几乎不依赖于转化的维度。 3. 第三讲：核支持向量机 描述：利用核函数作为转换和内积的快捷方式，允许从简单线性模型到无限维模型的广泛选择，同时控制边际。 4. 第四讲：软边际支持向量机 描述：一种新的原始形式，允许某些受罚的边际违反，等价于具有上界变量的对偶形式。 5. 第五讲：核逻辑回归 描述：通过SVM类似的稀疏模型进行软分类，使用两层学习或通过“核化”的逻辑回归模型应用代表者定理。 6. 第六讲：支持向量回归 描述：通过岭回归+代表者定理实现核岭回归，或通过正则化管道误差+拉格朗日对偶实现支持向量回归。 7. 第七讲：混合与装袋 描述：均匀、线性或非线性地混合已知的多样化假设；从自举数据中获得多样化的假设。 8. 第八讲：自适应增强 描述：为多样化假设提供“最佳”重加权和自适应线性聚合，以增强弱算法的性能。 9. 第九讲：决策树 描述：通过递归分支（净化）对简单假设进行条件聚合。 10. 第十讲：随机森林 描述：通过随机决策树的自举聚合进行自动验证。 11. 第十一讲：梯度提升决策树 描述：通过功能加上最陡梯度下降聚合树，适用任何误差度量。 12. 第十二讲：神经网络 描述：通过反向传播技术从神经元层中自动提取特征，用于随机梯度下降。 13. 第十三讲：深度学习 描述：早期简单的深度学习模型，采用去噪自编码器进行预训练，并通过反向传播进行微调。 14. 第十四讲：径向基函数网络 描述：基于距离的相似度对聚类找到的原型进行线性聚合。 15. 第十五讲：矩阵分解 描述：通过随机梯度下降共同优化提取的用户特征（或反之）的线性模型，旨在推荐系统中使用。 16. 第十六讲：总结 描述：从特征利用、误差优化和过拟合消除的角度总结机器学习的实际应用案例。 本课程旨在帮助学习者掌握更高级的机器学习技术，以应对实际问题和挑战。
Name:第一講：Linear Support Vector Machine
Description:more robust linear classification solvable with quadratic programming
Name:第二講：Dual Support Vector Machine
Description:another QP form of SVM with valuable geometric messages and almost no dependence on the dimension of transformation
Name:第三講：Kernel Support Vector Machine
Description:kernel as a shortcut to (transform + inner product): allowing a spectrum of models ranging from simple linear ones to infinite dimensional ones with margin control
Name:第四講：Soft-Margin Support Vector Machine
Description:a new primal formulation that allows some penalized margin violations, which is equivalent to a dual formulation with upper-bounded variables
Name:第五講：Kernel Logistic Regression
Description:soft-classification by an SVM-like sparse model using two-level learning, or by a "kernelized" logistic regression model using representer theorem
Name:第六講：Support Vector Regression
Description:kernel ridge regression via ridge regression + representer theorem, or support vector regression via regularized tube error + Lagrange dual
Name:第七講：Blending and Bagging
Description:blending known diverse hypotheses uniformly, linearly, or even non-linearly; obtaining diverse hypotheses from bootstrapped data
Name:第八講：Adaptive Boosting
Description:"optimal" re-weighting for diverse hypotheses and adaptive linear aggregation to boost weak algorithms
Name:第九講：Decision Tree
Description:recursive branching (purification) for conditional aggregation of simple hypotheses
Name:第十講：Random Forest
Description:bootstrap aggregation of randomized decision trees with automatic validation
Name:第十一講：Gradient Boosted Decision Tree
Description:aggregating trees from functional + steepest gradient descent subject to any error measure
Name:第十二講：Neural Network
Description:automatic feature extraction from layers of neurons with the back-propagation technique for stochastic gradient descent
Name:第十三講：Deep Learning
Description:an early and simple deep learning model that pre-trains with denoising autoencoder and fine-tunes with back-propagation
Name:第十四講：Radial Basis Function Network
Description:linear aggregation of distance-based similarities to prototypes found by clustering
Name:第十五講：Matrix Factorization
Description:linear models of items on extracted user features (or vice versa) jointly optimized with stochastic gradient descent for recommender systems
Name:第十六講：Finale
Description:summary from the angles of feature exploitation, error optimization, and overfitting elimination towards practical use cases of machine learning
The course extends the fundamental tools in "Machine Learning Foundations" to powerful and practical models by three directions, which includes embedding numerous features, combining predictive features, and distilling hidden features. [這門課將先前「機器學習基石」課程中所學的基礎工具往三個方向延伸為強大而實用的工具。這三個方向包括嵌入大量的特徵、融合預測性的特徵、與萃取潛藏的特徵。]
