1 緒論：ML與AI的回顧和簡(jiǎn)介
|
務(wù)實(shí)的AI與機(jī)器學(xué)習(xí)發(fā)展歷史回顧（課程內(nèi)容總體介紹）
AI的潮起潮落：弱人工智能和強(qiáng)人工智能
機(jī)器學(xué)習(xí)模型的構(gòu)成：目標(biāo)函數(shù)、優(yōu)化、推理預(yù)測(cè)
機(jī)器學(xué)習(xí)模型的分類(lèi)：監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)
機(jī)器學(xué)習(xí)研究的新趨勢(shì)：從標(biāo)簽學(xué)習(xí)到結(jié)構(gòu)體學(xué)習(xí)模型 |
| 2 標(biāo)簽學(xué)習(xí) |
介紹的機(jī)器學(xué)習(xí)模型包括：決策樹(shù)、回歸樹(shù)、GBRT、Logistic Regression、集成方法 |
| 2.1 以分類(lèi)、回歸的思想建模（最小化回歸誤差和最小化信息熵） |
決策樹(shù)：信息熵
回歸樹(shù)
Gradient Boosting Regression Tree：在工業(yè)界的廣發(fā)應(yīng)用與特征工程
核心講授思想：從優(yōu)化的觀點(diǎn)出發(fā)，講解樹(shù)生成的貪心算法 |
| 2.2 以概率的框架建模（最大化數(shù)據(jù)似然） |
復(fù)習(xí)概率論基本知識(shí)：sum rule, product rule
Logistic Regression：從二分類(lèi)到多分類(lèi)的Softmax
樸素貝葉斯
核心講授思想：講授最大化似然的優(yōu)化目標(biāo)、梯度下降的優(yōu)化方法、和模型預(yù)測(cè)方法
?
|
| 2.3 集成學(xué)習(xí)方法 |
Bagging、Random Forest、Adaboost
核心講授思想：集成學(xué)習(xí)核心思想，特別介紹Adaboost算法在理論上的性能保障 |
| 3 結(jié)構(gòu)體建模 |
主要講授：概率圖模型與EM算法 |
| 3.1 有向的概率圖模型 |
有向概率圖模型：基本知識(shí)（全概率公式的表達(dá)與模型條件獨(dú)立假設(shè)的等價(jià)關(guān)系）
經(jīng)典有向概率圖的具體模型：
樸素貝葉斯的概率圖模型
矩陣分解的協(xié)同過(guò)濾方法：Probabilistic Matrix Factorization（順帶講解協(xié)同過(guò)濾的其它方法）
概率圖模型設(shè)計(jì)的方法論
引入隱變量的有向圖概率圖模型
主題模型：PLSA
混合高斯模型（無(wú)監(jiān)督聚類(lèi)）
EM算法細(xì)節(jié)：對(duì)引入隱向量的結(jié)構(gòu)體的建模
核心講授思想：講授有向的概率圖模型的基本知識(shí)和經(jīng)典模型實(shí)例；講授引入隱變量到概率圖模型的目的，和該情況下的優(yōu)化方法（EM算法）
?
|
| 3.2 無(wú)向概率圖模型 |
無(wú)向的概率圖模型：基本知識(shí)（全概率公式的表達(dá)與模型條件獨(dú)立假設(shè)的等價(jià)關(guān)系）
經(jīng)典無(wú)向概率圖的具體模型：條件隨機(jī)場(chǎng)（Viterbi算法）
核心講授思想：講授無(wú)向的概率圖模型的基本知識(shí)和經(jīng)典模型實(shí)例
?
|
| 4 結(jié)構(gòu)體預(yù)測(cè) |
主要講授：深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)方法 |
| 4.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ) |
神經(jīng)網(wǎng)絡(luò)概述
全連接前饋神經(jīng)網(wǎng)絡(luò)：模型優(yōu)化的BP算法（隨機(jī)梯度下降、梯度消失）
PLSA的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)方法
核心講授思想：神經(jīng)網(wǎng)絡(luò)是對(duì)從輸入到輸出的計(jì)算流程可視化，同時(shí)便于反向求導(dǎo)等運(yùn)算 |
| 4.2 Theano編程 |
編程介紹、調(diào)試、Theano背后的設(shè)計(jì)思想
核心講授思想：以Theano下的全連接前饋神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)為例，講解Theano的神經(jīng)網(wǎng)絡(luò)編程 |
| 4.3 卷積神經(jīng)網(wǎng)絡(luò) |
卷積神經(jīng)網(wǎng)絡(luò)原理：BP算法在卷積神經(jīng)網(wǎng)絡(luò)下的推導(dǎo)
卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用：基本應(yīng)用、圖像虛幻化的應(yīng)用 |
| 4.4 循環(huán)神經(jīng)網(wǎng)絡(luò) |
循環(huán)神經(jīng)網(wǎng)絡(luò)原理：BP算法在循環(huán)神經(jīng)網(wǎng)絡(luò)下的推導(dǎo)
循環(huán)神經(jīng)網(wǎng)絡(luò)基本應(yīng)用：序列標(biāo)注、語(yǔ)言建模
循環(huán)神經(jīng)網(wǎng)絡(luò)高級(jí)應(yīng)用：機(jī)器翻譯、對(duì)話生成
核心講授思想：機(jī)器學(xué)習(xí)從特征工程邁向網(wǎng)絡(luò)設(shè)計(jì) |
| 5 前沿研究與實(shí)際案例 |
| 5.1 機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)一 |
閑聊機(jī)器人構(gòu)建：生成式模型的研究前沿
對(duì)話的多機(jī)理建模
自頂向下的樹(shù)結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)生成
結(jié)構(gòu)體預(yù)測(cè)的Adaboost方法（與對(duì)抗神經(jīng)網(wǎng)絡(luò)的結(jié)合） |
| 5.2 機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)二 |
線上行為在線下?tīng)I(yíng)銷(xiāo)智能化中的建模實(shí)踐 |
| 5.3 大數(shù)據(jù)應(yīng)用案例實(shí)戰(zhàn) |
打擊證券交易市場(chǎng)“老鼠倉(cāng)” |
