本课程涵盖了机器学习和统计建模方面的广泛主题。 虽然将涵盖数学方法和理论方面,但主要目标是为学生提供解决实际中发现的数据科学问题所需的工具和原理。 本课程还可以作为基础,以提供更多专业课程和进一步的独立学习。 本课程是数据科学中心数据科学硕士学位课程核心课程的一部分。 此类旨在作为DS-GA-1001数据科学概论的延续,其中涵盖了一些重要的基础数据科学主题,而这些主题可能未在此DS-GA类中明确涵盖。

课程大纲

  • Week 1:统计学习理论框架
  • Week 2:随机梯度下降
  • Week 3:正则化,Lasso, 和 Elastic网,次梯度方法
  • Week 4:损失函数,SVM,代表定理
  • Week 5:核方法
  • Week 6:最大似然,条件概率
  • Week 7:期中
  • Week 8:贝叶斯方法
  • Week 9:贝叶斯条件概率,多分类
  • Week 10:分类和回归树
  • Week 11:bagging和随机森林,梯度提升
  • Week 12:K-Means,高斯混合模型
  • Week 13:EM算法
  • Week 14:神经网络,反向传播
成为VIP会员查看完整内容
kechengDS-GA1003-Spring2019.pdf
0
35

相关内容

朱莉娅(Julia)是纽约大学数据科学中心(CDS)的主任,她是CDS和纽约大学库兰特学院的计算机科学与数学的教授。

本文介绍了一阶优化方法及其在机器学习中的应用。这不是一门关于机器学习的课程(特别是它不涉及建模和统计方面的考虑),它侧重于使用和分析可以扩展到具有大量参数的大型数据集和模型的廉价方法。这些方法都是围绕“梯度下降”的概念而变化的,因此梯度的计算起着主要的作用。本课程包括最优化问题的基本理论性质(特别是凸分析和一阶微分学)、梯度下降法、随机梯度法、自动微分、浅层和深层网络。

成为VIP会员查看完整内容
0
96

统计学习理论是一个新兴的研究领域,它是概率论、统计学、计算机科学和最优化的交叉领域,研究基于训练数据进行预测的计算机算法的性能。以下主题将包括:统计决策理论基础;集中不平等;监督学习和非监督学习;经验风险最小化;complexity-regularized估计;学习算法的泛化界VC维与复杂性;极大极小下界;在线学习和优化。利用一般理论,我们将讨论统计学习理论在信号处理、信息论和自适应控制方面的一些应用。

成为VIP会员查看完整内容
0
88

本文介绍了一阶优化方法及其在机器学习中的应用。这不是一门关于机器学习的课程(特别是它不涉及建模和统计方面的考虑),它侧重于使用和分析可以扩展到具有大量参数的大型数据集和模型的廉价方法。这些方法都是围绕“梯度下降”的概念而变化的,因此梯度的计算起着主要的作用。本课程包括最优化问题的基本理论性质(特别是凸分析和一阶微分学)、梯度下降法、随机梯度法、自动微分、浅层和深层网络。

成为VIP会员查看完整内容
0
78

课程介绍:

经济学、人工智能和优化是一门跨学科课程,将涵盖经济学、运筹学和计算机科学交叉的选定主题。在本课程中,一个反复出现的主题是如何通过人工智能和优化方法大规模地使用经济解决方案。

课程目录:

  • 介绍博弈论和市场设计
  • 纳什均衡
    • 零和博弈,极大极小定理
    • 一阶方法/在线凸优化/游戏中的遗憾最小化
    • 深度学习解决游戏的规模
  • 安全游戏
    • Stackelberg平衡
    • 基本的Stackelberg安全游戏模型
    • 混合整数规划,深度学习的规模
    • 应用于机场、野生动物、电网安全
  • 市场设计
    • 费舍尔市场和市场均衡
    • 计算市场均衡的优化方法
    • 大型市场的机器学习方法
    • 公平分配,课程分配
    • 互联网广告拍卖
    • 频谱拍卖
成为VIP会员查看完整内容
0
37

主题: 《COMS W4995 Applied Machine Learning Spring 2020》

课程描述: 这门课提供了机器学习和数据科学的实践方法。本课程讨论机器学习方法如SVMs、随机森林、梯度提升和神经网络在真实世界数据集上的应用,包括数据准备、模型选择和评估。这个类补充了COMS W4721,因为它完全依赖于scikit-learn和tensor flow中所有实现的可用开源实现。除了应用模型外,我们还将讨论与产生离子化机器学习模型相关的软件开发工具和实践。

主讲人简介: Andreas C. Müller,哥伦比亚大学数据科学研究所的副研究员,也是O'Reilly《用Python进行机器学习简介》一书的作者。他是scikit学习机学习库的核心开发人员之一,我已经合作维护了几年。他曾在纽约大学数据科学中心从事开源和开放科学研究,并在亚马逊担任机器学习科学家。个人主页:http://amueller.github.io/

成为VIP会员查看完整内容
0
17

主题: Financial Machine Learning

课程目录:

  • 介绍
  • 端到端的ML项目
  • 分类
  • 线性模型
  • 决策树
  • 集成
  • 主要组成
  • 神经网络
成为VIP会员查看完整内容
0
60

课程名称: CS224W: Machine Learning with Graphs

课程简介:

网络是对复杂的社会、技术和生物系统建模的基本工具。结合在线社交网络的出现和生物科学中大规模数据的可用性,本课程重点分析提供了几个计算、算法和建模挑战的大规模网络。学生将学习机器学习技术和数据挖掘工具,通过研究其潜在的网络结构和相互联系,揭示对社会、技术和自然世界的洞察。

在本课程中,我们将介绍图机器学习技术,包括以下主题:

  • 食品网络和金融市场的稳固性和脆弱性;
  • 万维网的算法;
  • 图神经网络与表示学习
  • 生物网络功能模块的识别
  • 疾病暴发检测。

课程部分大纲:

  • 介绍:图结构
  • 网络的性质和随机图模型
    • 复习课:Snap.py和谷歌云教程
  • 网络中的主题和结构角色
  • 网络中的社区结构
    • 复习线性代数,概率论和证明技术
  • 谱聚类
  • 消息传递和节点分类
  • 图表示学习
  • 图神经网络
  • 图神经网络:动手练习
  • 图的深层生成模型
  • 链接分析:网页排名
  • 网络效应和级联行为
  • 概率传染和影响模型

讲师介绍:

Jurij Leskovec是斯坦福大学计算机科学副教授,研究侧重于分析和建模大型社区和信息网络,作为跨社区、技术和自然世界现象的研究。他侧重于网络结构的统计建模、网络演化、信息传播、网络影响和病毒。他所研究的问题是由大规模数据、网络和其他在线媒体引发的,同样从事文本挖掘和机器学习的应用。个人官网:https://cs.stanford.edu/~jure/

下载索引:链接:https://pan.baidu.com/s/1yvK49SCfmqIXkHMgNqRYYA;提取码:4rea

成为VIP会员查看完整内容
0
119

由Marc Peter Deisenroth,A Aldo Faisal和Cheng Soon Ong撰写的《机器学习数学基础》“Mathematics for Machine Learning” 最新版417页pdf版本已经放出,作者表示撰写这本书旨在激励人们学习数学概念。这本书并不打算涵盖前沿的机器学习技术,因为已经有很多书这样做了。相反,作者的目标是通过该书提供阅读其他书籍所需的数学基础。这本书分为两部分:数学基础知识和使用数学基础知识进行机器学习算法示例。值得初学者收藏和学习!

目录

Part I: 数据基础

  • Introduction and Motivation
  • Linear Algebra
  • Analytic Geometry
  • Matrix Decompositions
  • Vector Calculus
  • Probability and Distribution
  • Continuous Optimization

Part II: 机器学习问题

  • When Models Meet Data
  • Linear Regression
  • Dimensionality Reduction with Principal Component Analysis
  • Density Estimation with Gaussian Mixture Models
  • Classification with Support Vector Machines
成为VIP会员查看完整内容
0
127

主题: Introduction to Machine Learning

课程简介: 机器学习是指通过经验自动提高性能的计算机程序(例如,学习识别人脸、推荐音乐和电影以及驱动自主机器人的程序)。本课程从不同的角度介绍机器学习的理论和实用算法。主题包括贝叶斯网络、决策树学习、支持向量机、统计学习方法、无监督学习和强化学习。本课程涵盖理论概念,例如归纳偏差、PAC学习框架、贝叶斯学习方法、基于边际的学习和Occam的剃刀。编程作业包括各种学习算法的实际操作实验。这门课程的目的是让一个研究生在方法论,技术,数学和算法方面有一个彻底的基础,目前需要的人谁做的机器学习的研究。

邀请嘉宾: Hal Daumé III,纽约市微软研究院的研究员,是机器学习小组的一员;他也是马里兰大学的副教授。他主要从事自然语言处理和机器学习。

Matt Gormley,卡内基梅隆大学计算机科学学院机器学习部(ML)助教。

Roni Rosenfeld,卡内基梅隆大学计算机学院机器学习系教授兼主任,个人主页:https://www.cs.cmu.edu/~roni/。等

成为VIP会员查看完整内容
0
34
小贴士
相关论文
Bernhard Schölkopf
9+阅读 · 2019年11月24日
Xiaohua Zhai,Avital Oliver,Alexander Kolesnikov,Lucas Beyer
4+阅读 · 2019年5月9日
Deep Learning for Energy Markets
Michael Polson,Vadim Sokolov
4+阅读 · 2019年4月10日
Few-shot Learning: A Survey
Yaqing Wang,Quanming Yao
316+阅读 · 2019年4月10日
Claudio Gambella,Bissan Ghaddar,Joe Naoum-Sawaya
7+阅读 · 2019年1月16日
Interpretable machine learning: definitions, methods, and applications
W. James Murdoch,Chandan Singh,Karl Kumbier,Reza Abbasi-Asl,Bin Yu
12+阅读 · 2019年1月14日
A Survey of Learning Causality with Data: Problems and Methods
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
7+阅读 · 2018年9月25日
Georgios Damaskinos,El Mahdi El Mhamdi,Rachid Guerraoui,Rhicheek Patra,Mahsa Taziki
3+阅读 · 2018年7月9日
Myle Ott,Michael Auli,David Granger,Marc'Aurelio Ranzato
4+阅读 · 2018年2月28日
Hyrum S. Anderson,Anant Kharkar,Bobby Filar,David Evans,Phil Roth
3+阅读 · 2018年1月30日
Top