课程介绍

一、课程定位

面向具备python基础的开发者，通过”理论-推导-编码-优化”四阶闭环，培养解决实际问题的ML工程能力。课程特色包含：

  1. 数学可视化：如梯度下降算法通过自行车价格预测案例展示参数更新过程

  2. 工业级Pipeline构建：从数据清洗到模型部署的完整生命周期管理

  3. 多领域案例库：覆盖图像分类、金融风控、智能推荐等12个行业场景

二、核心模块设计

（1）数学模型推导篇

  • 线性模型：通过房价预测案例推导最小二乘法，对比L1/L2正则化几何意义

  • 概率图模型：基于垃圾邮件识别项目解析贝叶斯定理的工程化实现

  • 神经网络：手写数字识别案例中演示反向传播的矩阵运算过程

（2）项目实战篇

（代码体现特征工程与模型训练的耦合设计）

三、典型教学案例

  1. 电商用户分群：使用K-means++算法优化传统RFM模型

  2. 医疗影像分析：基于迁移学习的肺炎X光分类（准确率提升23%）

  3. 量化交易策略：LSTM预测股价波动性的过拟合控制方法

四、能力培养目标

维度培养重点评估方式
理论根基矩阵微分/概率推断推导能力数学证明作业
工程思维特征工厂/AB测试设计Kaggle竞赛排名
业务洞察指标定义与商业价值映射结业项目答辩

课程目录

/15-059-腾讯课堂-贪心学院-结合实际案例推导机器学习数学模型以及项目实战/
│├─第01节 机器学习介绍
│├─第02节 K-NN 最近邻
│├─第03节 线性回归与逻辑回归
│├─第04节 朴素贝叶斯
│├─第05节 SVM支持向量机
│├─第06节 决策树与随机森林
│├─第07节 K-means
│├─第08节 矩阵分解
│├─第09节 Boosting
│├─第10节 主题模型

详细目录

第01节 机器学习介绍/
│├─1.1机器学习、大数据、数据挖掘的区别和联系.mp4 38.6MB
│├─1.2分类、回归和聚类的理论.mp4 33.7MB
│├─1.3机器学习的流程 数据预处理.mp4 48.4MB
│├─1.4案例：通过广告投放预测产品销量.mp4 247.6MB
│├─机器学习课件及代码.zip 72.4MB
第02节 K-NN 最近邻/
│├─2.1KNN介绍.mp4 270.7MB
│├─2.2欧式距离以及KNN实现.mp4 383.4MB
│├─2.3KNN的决策边界.mp4 254.2MB
│├─2.4通过交叉验证选择K.mp4 112.4MB
│├─2.5特征缩放.mp4 26.5MB
│├─2.6二手车估价案例.mp4 255.9MB
│├─2.7KNN的延伸内容（Optional）.mp4 160.4MB
第03节 线性回归与逻辑回归/
│├─QA.mp4 276.8MB
│├─线性回归1.mp4 38.1MB
│├─线性回归2.mp4 59.8MB
│├─逻辑回归1.mp4 33.6MB
│├─逻辑回归2.mp4 67.3MB
第04节 朴素贝叶斯/
│├─4.1朴素贝叶斯的核心思想.mp4 49.2MB
│├─4.2垃圾邮件分类-01.mp4 234.3MB
│├─4.3垃圾邮件分类-02.mp4 403.1MB
│├─4.4手推一个完整的例子.mp4 399.4MB
│├─4.5文本表示-01.mp4 101.2MB
│├─4.6文本表示-02.mp4 275.5MB
│├─4.7Extensions.mp4 60.8MB
第05节 SVM支持向量机/
│├─5.1SVM-01.mp4 649.4MB
│├─5.2SVM-02.mp4 97.2MB
│├─5.3SVM-03.mp4 253.4MB
│├─5.4SVM-04.mp4 416.3MB
第06节 决策树与随机森林/
│├─6.1决策树01.mp4 416.1MB
│├─6.2决策树02.mp4 518.4MB
│├─6.3随机森林01.mp4 593.3MB
│├─6.4随机森林02.mp4 421.2MB
│├─6.5随机森林03.mp4 162.5MB
第07节 K-means/
│├─7.1聚类分析.mp4 86.1MB
│├─7.2kmeans算法.mp4 145.7MB
│├─7.3kmeans算法过程及特性.mp4 127.7MB
│├─7.4kmeans的实现.mp4 248.9MB
│├─7.5kmeans案例.mp4 366MB
│├─7.6kmeans的目标函数.mp4 244.3MB
│├─7.7K值如何选择.mp4 128.6MB
│├─7.8其他聚类算法及问答.mp4 128.6MB
第08节 矩阵分解/
│├─8.1Recommender.mp4 255.7MB
│├─8.2矩阵分解推荐系统.代码演示.1.mp4 23.4MB
│├─8.3矩阵分解推荐系统.代码演示.2.mp4 570.2MB
第09节 Boosting/
│├─9.1XGBoost.mp4 170.3MB
│├─9.2训练模型.mp4 237MB
│├─9.3使用泰勒级数近似目标函数.mp4 422.3MB
│├─9.4新的目标函数.mp4 292.9MB
│├─9.5寻找最好的Split.mp4 365.1MB
第10节 主题模型/
│├─10.1主题模型.mp4 378.1MB
│├─10.2MLEvsMAPvsBayesian.mp4 218.1MB
│├─10.3从生成的角度来看LDA.mp4 252.3MB
│├─10.4计算模型的参数.mp4 526.6MB