黄海广的《机器学习》公开课！
Posted Datawhale
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了黄海广的《机器学习》公开课！相关的知识，希望对你有一定的参考价值。
Datawhale分享
作者：黄海广，温州大学副教授
黄海广老师的机器学习课程登陆了中国大学慕课，目前已经结课两期，共2万人报名学习，第4轮在9月2日10点开课，现在可以报名了。
课程地址：
https://www.icourse163.org/course/WZU-1464096179
课程介绍
Machine Learning(机器学习)是人工智能的核心，本课程用通俗和结合案例的方式，讲解机器学习算法，如经典算法：线性回归、逻辑回归、决策树等，也将讲解近几年才出现的如XGBoost、LightGBM等集成学习算法。此外，这门课还会讲解利用机器学习解决问题的实用技术，还包括Python、Scikit-learn工具的使用等等。
通过本课程，你不仅得到理论基础的学习，而且获得那些利用机器学习解决问题的实用技术，包括机器学习工具的使用等等。
与国内外很多非常优秀的机器学习课程或作品相比（如吴恩达机器学习课程、李航老师的统计学习方法、周志华老师的《机器学习》等），本课程对初学者来说，更加容易理解，本课程属于“雪中送炭”，而不是“锦上添花”，更适合初学者学习，主要解决初学者的三个问题：
就是资料太多，难以取舍；
理论性强，初学比较困难；
代码资料比较少。
课程门槛较低，只要有本科三年级以上的数学知识，会一种编程语言，就可以掌握这门课程的绝大部分内容。
课程链接：
https://www.icourse163.org/course/WZU-1464096179
课程资源公布在Github：
https://github.com/fengdu78/WZU-machine-learning-course
授课目标
1、掌握机器学习的基本问题定义、基本模型，对机器学习学科有概览性的认识。
2、掌握目前主流的机器学习算法和模型，并能够根据实际问题的需要选择并实现相应的算法。
3、编程完成机器学习典型应用实例，对机器学习工程编程有初步的训练。
课程大纲
01 引言
1.1 机器学习概述
1.2 机器学习的类型
1.3 机器学习的背景知识
1.4 机器学习的开发流程
02 回归
2.1 线性回归
2.2 梯度下降
2.3 正则化
2.4 回归的评价指标
03 逻辑回归
3.1 分类问题
3.2 Sigmoid函数
3.3 逻辑回归求解
3.4 逻辑回归的代码实现
04 朴素贝叶斯
4.1 贝叶斯方法
4.2 朴素贝叶斯原理
4.3 朴素贝叶斯案例
4.4 朴素贝叶斯代码实现
05 机器学习实践
5.1 数据集划分
5.2 评价指标
5.3 正则化、偏差和方差
06 机器学习库Scikit-learn
6.1 机器学习库Scikit-learn概述
6.2 机器学习库Scikit-learn的主要用法
6.3 机器学习库Scikit-learn的使用案例
07 KNN算法
7.1 距离度量
7.2 KNN算法
7.3 KD树划分
7.4 KD树搜索
08 决策树
8.1 决策树原理
8.2 ID3算法
8.3 C4.5算法
8.4 CART算法
09 集成学习
9.1 集成学习方法概述
9.2 AdaBoost和GBDT算法
9.3 XGBoost算法
9.4 LightGBM算法
9.5 集成学习的代码实现
10 人工神经网络
10.1 人工神经网络概述
10.2 感知机算法
10.3 反向传播算法(BP算法)
11 支持向量机
11.1 支持向量机概述
11.2 线性可分支持向量机
11.3 线性支持向量机
11.4 线性不可分支持向量机
11.5 支持向量机的代码实现
12 聚类
12.1 无监督学习概述
12.2 K-means聚类
12.3 密度聚类和层次聚类
12.4 聚类的评价指标
13 降维
13.1 降维概述
13.2 SVD(奇异值分解)
13.3 PCA(主成分分析)
14 关联规则
14.1 关联规则概述
14.2 Apriori 算法
14.3 FP-Growth算法
15 机器学习项目流程
15.1 机器学习项目流程概述
15.2 数据清洗
15.3 特征工程
15.4 数据建模
课程大纲可能会有小范围调整。
课程每个单元会有20道题目的测验，还有期末考试。
课程资源公布在Github：
https://github.com/fengdu78/WZU-machine-learning-course
预备知识
数学基础：主要包括高等数学、线性代数、概率论与数理统计。最低要求：大三上学期的数学水平。
编程基础：已经掌握一种编程工具，最好会使用Python进行简单地编程。
课程定位
基础入门课，适合大三以上的本科生，或者初学机器学习的硕士生，博士生，也适合对机器学习感兴趣的毕业生。
与其他优秀的机器学习课程相比，本课程内容相对简单易懂，资料全面，课程团队坚信：让地方性本科院校的学生也能入门机器学习。
进阶用户建议选择其中部分内容学习。
课程答疑
回答下几个比较突出的问题：
1.机器学习课程那么多，这门慕课有什么不同之处？
与国内外很多非常优秀的机器学习课程或作品相比（如吴恩达机器学习课程、李航老师的统计学习方法、周志华老师的《机器学习》等），本课程对初学者来说，属于“雪中送炭”，而不是“锦上添花”，更适合初学者学习，主要解决初学者的三个问题：
就是资料太多，难以取舍；
理论性强，初学比较困难；
代码资料比较少。
学完这门课，机器学习应该就入门了，也会知道进一步需要学习什么。
2.课程过于简单，有些细节没有讲清楚。
这个有两个原因：
第一是慕课通常一个视频在15分钟之内，所以，有些知识点不能讲太细，否则会超时，因此有所取舍。
第二是课程定位问题，这门课程定位是入门基础课程，并非进阶课程，要照顾到广大初学者，特别是大三学生，所以有些知识点没有讲太详细，点到为止，比如支持向量机一章，如果详细讲，可能要超过两个小时，但这章的慕课只讲了40分钟。
3.课程太难，听不懂。
这个应该是基础太薄弱了，应该补下基础，理论上大三的数学水平，学习这门课程应该毫无难度。
4.语速问题
我录课的时候，尽量把语速放慢，这个是因为慕课的要求，语速不能太快，否则大多数读者跟不上进度。
5.代码下载问题
有同学说，课程的代码在github难下载，这里，我将所有代码都上传到慕课了，可以看慕课每章最后，都提供代码下载。
6.课程快结束了，能回放不？
我修改了设置，课程结束仍然可以回放，但前提是要报名这门课。
7.课程的测试题答案
课程练习答案，尚不公开，如果有疑问，可以发邮件haiguang2000@wzu.edu.cn来咨询个别问题。
8.教材问题
我写了一本教材，将要在清华大学出版社出版，目前在出版社加工，内容和慕课是完全匹配的，以后可以直接用这本教材。
9.课件问题
课件ppt原版文件，我可以提供给在校老师，只要用edu邮箱发邮件haiguang2000@wzu.edu.cn，报上姓名和学校，我都会发送全部原版ppt（目前已经发给690多位老师了）。
其他读者可以直接在github下载课件的pdf版本，不影响阅读，地址：
https://github.com/fengdu78/WZU-machine-learning-course
或者可以直接在百度云下载，地址：
链接:
https://pan.baidu.com/s/1J3-QU6D3UFVlrjTY75FFLw
提取码:43s2
后续学习
学完这个慕课以后，同学们应该会知道后续应该学习什么，机器学习范围比较大，可以在某方面进行深入钻研。
总之只要数学基础扎实，代码能力强，机器学习、深度学习，都可以学得很好！
后续建议学习李航老师的《统计学习方法》，或者周志华老师的《机器学习》（西瓜书）。
课程资料
1.如果是在校老师，请告知我们学校和姓名，我可以发原版ppt文件，请用edu邮箱联系我：haiguang2000@wzu.edu.cn
2.其他读者可以直接在github下载，地址：
https://github.com/fengdu78/WZU-machine-learning-course
链接:
https://pan.baidu.com/s/1J3-QU6D3UFVlrjTY75FFLw
提取码:43s2
为什么只给老师发原版课件？
我希望他们能在我的课件基础上修改完善，这样他们可以更好地把机器学习课程上好。其他读者下载的是pdf版本，Pdf版本的课件和原版ppt文件一致，在学习上没有区别，因为公开了，还是担心有些机构拿到原版文件用于商业用途（如收费培训），见谅！
课程报名
课程在中国大学慕课开课，这个平台是免费的。
课程开课时间：2022年9月2日10点
课程地址：
https://www.icourse163.org/course/WZU-1464096179
一起学习，点赞三连↓
以上是关于黄海广的《机器学习》公开课！的主要内容，如果未能解决你的问题，请参考以下文章
关于黄海广博士所创 “机器学习爱好者” 项目及其网站的详细说明