该系列课程由微软提供。总共 250 课时的 10 门人工智能课程 (第一学期截至2018年9月30日止),覆盖 10 项应用技能。
机器学习法则部分 课程简介机器学习使用计算机运行预测模型,从现有数据中学习,以预测未来的行为,结果和趋势。 在这个数据科学课程中,您将获得关于机器学习理论的明确解释,并结合实际场景以及构建,验证和部署机器学习模型的实践经验。 您将学习如何使用R,Python和Azure机器学习来构建并从这些模型中获取洞察。 学习收益
课程大纲探索分类
机器学习中的回归
如何改进监督模型
有关非线性建模的详细信息
聚类
推荐系统
深度学习法则部分 课程简介机器学习使用计算机运行预测模型,从现有数据中学习以预测未来的行为,结果和趋势。 深度学习是机器学习的一个子领域,其中受我们大脑工作方式启发的模型以数学方式表达,并且定义数学模型的参数可以从数千至数亿至数百万的数量级自动从 数据。 深度学习是全球正在开发的人工智能技术的关键推动力。 在这个深度学习课程中,您将学习一种直观的方法来构建复杂的模型,帮助机器用人类智能解决现实世界的问题。 直观的方法将转化为具有实际问题和实际操作经验的工作代码。 您将学习如何使用在本地Windows或Linux计算机上运行的Python Jupyter笔记本或在Azure上运行的虚拟机上从这些模型构建和获取洞察。 或者,您可以免费使用Microsoft Azure笔记本电脑平台。 本课程提供所需的详细程度,使工程师/数据科学家/技术管理人员能够直观地了解这种改变游戏技术背后的关键概念。 同时,您将学习简单而强大的“图案”,这些图案可以与类似乐高的灵活性一起使用,以构建端到端的深度学习模型。 您将学习如何使用Microsoft认知工具包(以前称为CNTK),通过深度学习,利用无与伦比的缩放,速度和准确性来利用海量数据集中的智能。 先决条件
课程收益
课程大纲第1周: 介绍深度学习和机器学习概念的快速回顾 第2周: 使用逻辑回归建立简单的多类分类模型 第3周: 通过一个简单的端到端模型检测手写数字图像中的数字到深度神经网络 第4周: 用卷积网络改进手写数字识别 第5周: 使用经常性网络建立一个预测时间数据的模型 第6周: 使用循环LSTM(长期短期记忆)单元构建文本数据应用程序 |
|
来自: LibraryPKU > 《机器学习》