首页>课程更新>人工智能是教育的新方向,本次课程更新AI学院第七阶段

人工智能是教育的新方向,本次课程更新AI学院第七阶段

更新日期:2022-08-29

《人工智能》

本次更新内容为人工智能第七阶段—机器学习-无监督学习

本阶段讲解,K-means聚类算法,K-means聚类算法的变形,密度聚类,层次聚类、谱聚类、PCA降维算法、EM期望最大化、GMM高斯混合模型。


达成目标:通过本阶段学习,掌握无监督机器学习算法的作用和原理,透彻理解聚类和降维的本质区别,今后可以正确选择无监督学习算法,并实战开发。


章节内容
章节1
KMeans聚类
1:了解聚类任务是什么_整体思路_要达到的目标
2:KMeans算法具体流程
3:欧氏距离测度_余弦距离测度
4:余弦距离测度更适用于文本_向量归一化后欧氏距离与余弦距离等效
5:KMeans的损失函数_不保证收敛全局最优_K的选择
6:KMeans用EM算法进行最优化_KMeans算法的数学假设
7:KMeans聚类得到空簇的原因
8:KMeans算法的代码实现
9:实现的KMeans代码调用_sklearn中KMeans调用
章节2
KMeans聚类变形
10:KMedoids_二分KMeans
11:KMeans++
12:elkan-KMeans
13:MiniBatch-KMeans_KMeans算法相关小结
16:生产者_异步发送数据
17:生产者_异步回调发送数据
18:生产者_拦截器一
19:生产者_拦截器二
14:讲解sklearn模块中关于KMeans变形算法的API
章节3
密度聚类
15:DBSCAN密度聚类算法
16:分析DBSCAN的缺点_发明OPTICS算法的动机
17:理解OPTICS算法中两个重要概念_核心距离_可达距离
18:OPTICS密度聚类算法具体流程
19:MeanShift密度聚类算法
章节4
层次聚类
20:凝聚聚类算法
21:BIRCH算法_特征项和特征树以及相关超参数
22:BIRCH算法_特征树的构建过程
章节5
图聚类
23:AP聚类_通过相似度矩阵和超参数preference得到候选中心点
24:AP聚类_详解算法训练参数过程_算法特点总结
25:谱聚类_构建邻接矩阵W的三种方式
26:谱聚类_降维+KMeans聚类
27:谱聚类_将聚类任务转换为切图任务
28:谱聚类_RatioCut切图_引入指示向量
29:谱聚类_详解RatioCut切图做的就是降维
30:谱聚类_NCut切图_谱聚类算法流程总结
章节6
高斯混合模型
31:算法核心思想_目标函数对数总似然形式
32:参数求解之E-step
33:参数求解之M-step的μ和Σ
34:参数求解之M-step的Π_GMM算法流程总结
35:超参K的设置_模型的两种使用方式
章节7
降维之特征选择
36:区分特征抽取与特征选择
37:特征选择之过滤式
38:特征选择之嵌入式和包裹式
章节8
PCA主成分分析
39:找到尽可能保留更多信息量的方式进行投影
40:最大化投影方差_如何投影向量点到某个坐标轴
41:最大化投影方差_为什么对原始数据进行标准归一化
42:最大化投影方差_具体公式推导
43:最小化投影距离_如何在原始d维空间中表达降维之后的向量点
44:最小化投影距离_目标函数推导的中间过程
45:最小化投影距离_推导出最终目标函数和最大化方差一致
46:最小化投影距离_带核函数的非线性PCA
章节9
SVD奇异值分解
47:奇异值分解与截断的奇异值分解
48:SVD可以是PCA算法的一种解法
49:应用SVD计算的矩阵对原始数据进行降维
章节10
LDA线性判别分析
50:算法的核心思想
51:从目标函数到参数求解
52:与PCA算法对比
另附本章节课程资料

百战程序员微信公众号

百战程序员微信小程序

©2014-2023 百战汇智(北京)科技有限公司 All Rights Reserved 北京亦庄经济开发区科创十四街 赛蒂国际工业园
网站维护:百战汇智(北京)科技有限公司
京公网安备 11011402011233号    京ICP备18060230号-3    <营业执照    经营许可证:京B2020212637