Bloomberg是全球最大的金融信息服务供应商,其内部有一个“机器学习EDU”计划,核心课程《Foundations of Machine Learning》.主讲人David Rosenberg是Bloomberg首席技术官办公室数据科学小组的数据科学家,也是纽约大学数据科学中心的兼职副教授,他多次获得纽约大学数据科学中心“教授年度“奖。
课程内容
1.黑盒机器学习模型
2.案例:流失预测
3.统计学习理论介绍
4.随机梯度下降法
5.超额风险分解
6.L1/L2正则化
7.Lasso, Ridge和弹性网络
8.回归和分类的损失函数
9.拉格朗日对偶法与凸优化
10.支持向量机
11.次梯度决策
12.特征提取
13.核方法
14.模型性能评估
15.“Citysense”:非正常行为检测的概率模型
16.最大似然估计
17.条件概率模型
18.贝叶斯方法
19.贝叶斯条件概率模型
20.分类和回归树
21.统计基础与一些引导
22.Bagging与随机森林
23.梯度提升法
24.多类与结构化预测
25.K-means 聚类
26.高斯混合模型
27.隐变量模型的EM算法
28.神经网络
29.反向传播算法与链式法则
30.关于进一步学习的建议
墙内看不了YouTube,但是有好心的up主已将其搬运到B站:
https://space.bilibili.com/95104646/channel/detail?cid=45401
比较遗憾的是没有翻译,这就考验同学们的英语水平了。课程讲义大家移步课程主页
https://bloomberg.github.io/foml/#lectures
最后课程后面还有7个homework,涉及GD,SGD和Ridge回归,SVM,情感分析,内核方法,概率建模,决策树、梯度提升,神经网络等等,大致看了一下,感觉有点难度,完成homework需要python实现。
该课程推荐了三本参考书,都是全英的,下载链接只有第一本《An Introduction to Statistical Learning 》有全套数据集,图表和代码,另外两本只有电子书。An Introduction to Statistical Learning 》中文版叫《统计学习导论》,我看csdn上有,但是需要C币,哪位同学比较富裕或恰好手里有这本书的中文版也可以文末留言,赠人玫瑰手有余香。
链接:https://pan.baidu.com/s/1WVvJWq16c-RXEHjTCyN9Uw
提取码:58el
链接:https://pan.baidu.com/s/1rkf7LVD5uIivxDwQF4QTSA
提取码:bdpb
链接:https://pan.baidu.com/s/1wiOulsMsFpP3upRSae6pLw
提取码:ps7z
三个建议:
1、建议英文水平本身比较好或者想要挑战一下自己又刚好时间比较充足的同学认真学习本套视频课程及推荐的书。
2、如非上述情况,建议把时间用在刀刃上,目前市面上有足够多的中文教程及书籍可供学习。
3、课程的homework还是挺有价值的,如已有一定基础,可以尝试一下。