學(xué)Python可以干很多崗位，有爬蟲工程師，有數(shù)據(jù)分析師，有自動(dòng)化運(yùn)維，有后端開發(fā)，而這么多崗位里面薪資最高的一定是AI的算法崗位，做機(jī)器學(xué)習(xí)的崗位！量大而且薪資很高！

我們都知道機(jī)器學(xué)習(xí)是AI領(lǐng)域最為重要的技術(shù)，不管以后從事哪一類AI的崗位都離不開機(jī)器學(xué)習(xí)。其實(shí) 機(jī)器學(xué)習(xí)的基礎(chǔ)很大程度上決定了一個(gè)AI從業(yè)者能力的上線 ，這就好比一個(gè)對(duì)數(shù)據(jù)敏感的人可以做好運(yùn)營、市場、產(chǎn)品等各種崗位的職責(zé)。鑒于機(jī)器學(xué)習(xí)的重要地位， 貪心學(xué)院繼火爆的NLP訓(xùn)練營 ，這次又重磅推出了《機(jī)器學(xué)習(xí)高階訓(xùn)練營》，是 全網(wǎng)唯一一款100%純粹的機(jī)器學(xué)習(xí)訓(xùn)練營 ，內(nèi)容既有廣度又有深度，也包含了很前沿的內(nèi)容。具體的細(xì)節(jié)可以參考一下下方的大綱，一定不會(huì)讓你失望。?

(精彩回顧，往期學(xué)員的采訪)

貪心學(xué)院全新的 《機(jī)器學(xué)習(xí)高階訓(xùn)練營》 ：

可以很自信地說，這是 全網(wǎng)唯一的體系完整、同時(shí)具有一定深度 的機(jī)器學(xué)習(xí)訓(xùn)練營，每一個(gè)細(xì)節(jié)由淺入深、面面俱到，而且?guī)椭銟?gòu)建 知識(shí)體系之間的關(guān)聯(lián)性 。如果你的情況符合以下任何一種，就說明這個(gè)訓(xùn)練營是你的菜！?

• 對(duì)于機(jī)器學(xué)習(xí)的理解有些零散，缺乏體系化，目前還 看不到一個(gè)大局，以及算法之間內(nèi)在的關(guān)系；

• 雖然有機(jī)器學(xué)習(xí)基礎(chǔ)，當(dāng)仍然 停留在調(diào)用的階段 、對(duì)模型的改造這些無從下手；

• 目前已經(jīng)從事AI崗位，但感覺自己的 技術(shù)達(dá)到了瓶頸 ，希望能夠深入下去，有本質(zhì)的提升；

• 以后想從事研究崗位、或者申請國外相關(guān)專業(yè)博士或者碩士，需要彌補(bǔ)自己的知識(shí)體系；

• 細(xì)節(jié)控、很想知道每個(gè)模型的細(xì) 節(jié)以及背后的why ，但自己又很難琢磨出來；

• 目前只是停留在使用基本的機(jī)器學(xué)習(xí)模型，對(duì)比較 前沿的技術(shù) 不是特別了解；

• 希望根據(jù)業(yè)務(wù)場景能夠在 模型上做一些創(chuàng)新 、以及有能力自己求解出來；

• 很喜歡機(jī)器學(xué)習(xí)，也有一定的經(jīng)驗(yàn)，就想 挑戰(zhàn)一下自己的極限 到底在哪里；

• 也是最重要的，以后想從事 一線的AI工程師/專家/科學(xué)家。

鑒定完畢，下面就讓我們一起來了解一下這個(gè) 最體系化，最有挑戰(zhàn)的，實(shí)踐性最強(qiáng)的，最燒腦的 《機(jī)器學(xué)習(xí)高階訓(xùn)練營》 吧:

課程大綱

第一階段 機(jī)器學(xué)習(xí)基礎(chǔ)與凸優(yōu)化

【核心知識(shí)點(diǎn)】

.? KNN算法，Weighted KNN算法

.? Approximated KNN算法

.? KD樹，近似KD樹

.? Locality Sensitivity Hashing

.? 線性回歸模型

.? Bias-Variance Trade-off

.? 正則的使用：L1, L2, L-inifity Norm

.? LASSO， Coordinate Descent，ElasticNet

.? 邏輯回歸與最大似然

.? 隨機(jī)梯度下降法與小批量梯度下降法

.? 多元邏輯回歸模型

.? 凸集，凸函數(shù)

.? 凸函數(shù)與判定凸函數(shù)

.? Linear/Quadratic/Integer Programming

.? 對(duì)偶理論，Duality Gap，KKT條件

.? Projected Gradient Descent

.? 迭代式算法的收斂分析

【部分案例講解】:

.? 基于QP的股票投資組合策略設(shè)計(jì)

.? 基于LP的短文本相似度計(jì)算

.? 基于KNN的圖像識(shí)別

第二階段 SVM與集成模型

【核心知識(shí)點(diǎn)】

.? Max-Margin的方法核心思想

.? 線性SVM的一步步構(gòu)建

.? Slack Variable以及條件的松弛

.? SVM的Dual Formulation

.? Kernelized SVM

.? 不同核函數(shù)的詳解以及使用

.? 核函數(shù)設(shè)計(jì)以及Mercer's Theorem

.? Kernelized Linear Regression

.? Kernelized PCA, Kernelized K-means

.? 集成模型的優(yōu)勢

.? Bagging, Boosting, Stacking

.? 決策樹以及信息論回顧

.? 隨機(jī)森林，完全隨機(jī)森林

.? 基于殘差的提升樹訓(xùn)練思想

.? GBDT與XGBoost

.? 集成不同類型的模型

.? VC理論

【部分案例講解】：

.? 基于XGBoost的金融風(fēng)控模型

.? 基于PCA和Kernel SVM的人臉識(shí)別

.? 基于Kernal PCA和Linear SVM的人臉識(shí)別

第三階段? 無監(jiān)督學(xué)習(xí)與序列模型

【核心知識(shí)點(diǎn)】

.? K-means算法， K-means++

.? EM算法以及收斂性

.? 高斯混合模型以及K-means

.? 層次聚類算法

.? Spectral Clustering

.? DCSCAN

.? 隱變量與隱變量模型

.? HMM的應(yīng)用以及參數(shù)

.? 條件獨(dú)立、D-separation

.? 基于Viterbi的Decoding

.? Forward/Backward算法

.? 基于EM算法的參數(shù)估計(jì)

.? 有向圖與無向圖模型區(qū)別

.? Log-Linear Model

.? Feature Function的設(shè)計(jì)

.? Linear CRF以及參數(shù)估計(jì)

【部分案例講解】：

.? 基于HMM和GMM的語音識(shí)別

.? 基于聚類分析的用戶群體分析

.? 基于CRF的命名實(shí)體識(shí)別

第四階段 深度學(xué)習(xí)

【核心知識(shí)點(diǎn)】

.? 神經(jīng)網(wǎng)絡(luò)與激活函數(shù)

.? BP算法

.? 卷積層、Pooling層、全連接層

.? 卷積神經(jīng)網(wǎng)絡(luò)

.? 常用的CNN結(jié)構(gòu)

.? Dropout與Bath Normalization

.? SGD、Adam、Adagrad算法

.? RNN與梯度消失

.? LSTM與GRU

.? Seq2Seq模型與注意力機(jī)制

.? Word2Vec, Elmo, Bert, XLNet

.? 深度學(xué)習(xí)中的調(diào)參技術(shù)

.? 深度學(xué)習(xí)與圖嵌入（Graph Embedding）

.? Translating Embedding (TransE)

.? Node2Vec

.? Graph Convolutional Network

.? Structured Deep Network Embedding

.? Dynamic Graph Embedding

【部分案例講解】：

.? 基于Seq2Seq和注意力機(jī)制的機(jī)器翻譯

. 基 于TransE和GCN的知識(shí)圖譜推理

. 基于CNN的人臉關(guān)鍵點(diǎn)檢測

第五階段 推薦系統(tǒng)與在線學(xué)習(xí)

【核心知識(shí)點(diǎn)】

.? 基于內(nèi)容的推薦算法

.? 基于協(xié)同過濾的推薦算法

.? 矩陣分解

.? 基于內(nèi)容的Gradient Tree

.? 基于深度學(xué)習(xí)的推薦算法

.? 冷啟動(dòng)問題的處理

.? Exploration vs Exploitation

.? Multi-armed Bandit

.? UCB1 algorithm，EXP3 algorithm

.? Adversarial Bandit model

.? Contexulalized Bandit

.? LinUCB

【部分案例講解】:

.? 使用Gradient Boosting Tree做基于 interaction 與 content的廣告推薦

.? 使用深度神經(jīng)網(wǎng)絡(luò)做基于interaction 與 content的推薦

.? LinUCB做新聞推薦, 最大化rewards

第六階段? 貝葉斯模型

【核心知識(shí)點(diǎn)】

.? 主題模型（LDA) 以及生成過程

.? Dirichlet Distribution, Multinomial Distribution

.? 蒙特卡洛與MCMC

.? Metropolis Hasting與Gibbs Sampling

.? 使用Collapsed Gibbs Sampler求解LDA

.? Mean-field variational Inference

.? 使用VI求解LDA

.? Stochastic Optimization與Bayesian Inference

.? 利用SLGD和SVI求解LDA

.? 基于分布式計(jì)算的貝葉斯模型求解

.? 隨機(jī)過程與無參模型（non-parametric)

.? Chinese Retarant Process

.? Stick Breaking Process

.? Stochastic Block Model與MMSB

.? 基于SGLD與SVI的MMSB求解

.? Bayesian Deep Learning模型

.? Deep Generative Model

【部分案例講解】:

.? 基于Bayesian LSTM的文本分析

.? 使用無參主題模型做文本分類

.? 基于貝葉斯模型實(shí)現(xiàn)小數(shù)量的圖像識(shí)別

第七階段 增強(qiáng)學(xué)習(xí)與其他前沿主題

【核心知識(shí)點(diǎn)】

.? Policy Learning

.? Deep RL

.? Variational Autoencoder(VAE)與求解

.? 隱變量的Disentangling

.? 圖像的生成以及Disentangling

.? 文本的生成以及Disentangling

.? Generative Adversial Network(GAN)

.? CycleGan

.? 深度學(xué)習(xí)的可解釋性

.? Deconvolution與圖像特征的解釋

.? Layer-wise Propagation

.? Adversial Machine Learning

.? Purturbation Analysis

.? Fair Learning

【部分案例講解】:

.? 基于GAN的圖像生成

.? 基于VAE的文本Style Transfer

.? 可視化機(jī)器翻譯系統(tǒng)

* 由于此領(lǐng)域的飛速發(fā)展，我們會(huì)在課程進(jìn)行過程中也會(huì)及時(shí)更新，確保2周之內(nèi)新出的重要技術(shù)第一時(shí)間可以理解并使用。

課程設(shè)計(jì)緊密圍繞學(xué)術(shù)界最新進(jìn)展以及工業(yè)界的需求，涵蓋了所有核心知識(shí)點(diǎn)，并且結(jié)合了大量實(shí)戰(zhàn)項(xiàng)目，培養(yǎng)學(xué)員的動(dòng)手能力，解決問題能來以及對(duì)知識(shí)的深入理解。

部分課程項(xiàng)目介紹

課程適合誰？

• 有機(jī)器學(xué)習(xí)基礎(chǔ)，有較強(qiáng)的編程能力；

• 對(duì)數(shù)據(jù)結(jié)構(gòu)與算法比較熟悉；

• 想申請國外名校AI相關(guān)專業(yè)的碩士/博士；

• 已經(jīng)在AI領(lǐng)域從事工作，想要升職加薪；

• 想轉(zhuǎn)型成為一線AI工程師 (已具備基礎(chǔ))。

課程特色

• 內(nèi)容上包含了作為 AI頂級(jí)工程師 必備的核心技術(shù)體系；

• 內(nèi)容上包含了大量 最前沿的技術(shù)；

• 具備一定的 挑戰(zhàn)性和深度 ，區(qū)別于市面上的其他同類的課程；

• 理論與實(shí)戰(zhàn)的結(jié)合，所有的理論會(huì)本質(zhì)層面講起，而且非常通俗易懂，即便很 難理解的BERT, Bayesian NN 也會(huì)讓你能夠聽得懂并且能夠理解；

• 包含具有挑戰(zhàn)性的課程項(xiàng)目作業(yè)和理論作業(yè)，這些會(huì)幫助你更深入地理解學(xué)過的知識(shí)點(diǎn)， 每一個(gè)重要的知識(shí)點(diǎn)會(huì)配備實(shí)戰(zhàn)講解以及核心代碼review；

• 配備頂尖講師團(tuán)隊(duì)，均在機(jī)器學(xué)習(xí)、深度學(xué)習(xí)領(lǐng)域有很深的研究和工作經(jīng)驗(yàn)。

教學(xué)模式

我們主要采用 直播 的方式， 一周4-5次的直播教學(xué) ，? 包括2次的main lectures, 1-2次的discussion session (講解某一個(gè)實(shí)戰(zhàn)、必備基礎(chǔ)、案例或者技術(shù)上的延伸）， 1次的paper reading session (每周會(huì)assign一篇必備論文，并且直播解讀)。教學(xué)模式上也參考了美國頂級(jí)院校的 教學(xué)體系。?以下為其中一周的課程安排，供參考。?

報(bào)名方式

請掃描下面的二維碼咨詢課程

服務(wù)體系

看完被嚇著了？這玩意學(xué)不會(huì)可咋整啊？

導(dǎo)師們是不會(huì)讓你以智商為理由逃跑的，

我們?yōu)榇蠹遗鋫淞巳痪€工程師的助教團(tuán)隊(duì)，

嚴(yán)防死守以學(xué)不會(huì)為由的逃兵出現(xiàn)！

• 全職助教實(shí)時(shí)答疑

看直播的時(shí)候："誒？這步怎么推導(dǎo)出來的呢？"

編程跑項(xiàng)目實(shí)踐的時(shí)候："誒？這段代碼是干嘛的呢？"

看論文的時(shí)候："誒？為什么好像看懂了，又不知道在講什么呢？"

不管你在學(xué)習(xí)過程中遇到多少阻礙，你都可以通過以下4種方式解決：

• 直接在線問導(dǎo)師；

• 或者記錄到共享文檔中，等待每日固定時(shí)間的直播答疑；

• 學(xué)習(xí)社群中全職助教，24h隨時(shí)提問答疑

• 共同的問題在Review Session里面做講解

注：每次答疑，班主任都會(huì)進(jìn)行記錄，以便學(xué)員實(shí)時(shí)查閱。

• 編寫一些技術(shù)類文章

通過在知乎上發(fā)表相關(guān)技術(shù)文章進(jìn)行自我成果檢驗(yàn)，同時(shí)也是一種思想碰撞的方式，導(dǎo)師會(huì)對(duì)發(fā)表的每一篇文章寫一個(gè)詳細(xì)的評(píng)語。萬一不小心成為一個(gè)大V了呢？

雖然寫文章的過程萬分痛苦，學(xué)習(xí)群里半夜哀嚎遍野，但看一看抓著頭發(fā)寫出來的文章結(jié)果還是非常喜人的！看著自己收獲的點(diǎn)贊數(shù)，大家都默默地感謝起導(dǎo)師們的無情！

這種滿滿的成就感，讓大家一篇接一篇寫了下去！

個(gè)個(gè)都立刻變身成了知乎大牛~

• Project項(xiàng)目

除了文章，算法工程師立命的根本--項(xiàng)目代碼，導(dǎo)師更是不會(huì)放過的。每次在Gitlab上布置的作業(yè)，導(dǎo)師們都會(huì)帶領(lǐng)助教團(tuán)隊(duì)會(huì)予以詳細(xì)的批改和反饋。并逼著你不斷的優(yōu)化！

課程導(dǎo)師

看了這么多，是不是非常崇拜設(shè)計(jì)出如此地獄式學(xué)習(xí)計(jì)劃的大牛，那就來正式認(rèn)識(shí)一下這位訓(xùn)練營中人人聽了都聞風(fēng)喪膽，但又讓人崇拜+喜愛+欲罷不能的訓(xùn)練營魔頭導(dǎo)師們:

李文哲

NLP、知識(shí)圖譜領(lǐng)域?qū)＜?

美國南加州大學(xué)博士，曾任凡普金科（愛錢進(jìn)）首席科學(xué)家，美國亞馬遜/高盛高級(jí)工程師，AI量化投資公司首席科學(xué)家兼投資總監(jiān)。在AAAI, KDD, AISTATS等頂會(huì)上發(fā)表過15篇以上論文，其中3篇獲得Best Paper Award，累計(jì)數(shù)百次引用。

袁源

機(jī)器學(xué)習(xí)、推薦系統(tǒng)專家

美國微軟總部和美國亞馬遜總部的資深推薦系統(tǒng)工程師、主導(dǎo)多款核心推薦系統(tǒng)的研發(fā)，是人工智能、分布式系統(tǒng)、云計(jì)算方面的專家。美國新澤西理工博士，擁有14年人工智能、推薦系統(tǒng)、自然語言處理、數(shù)字圖像和視頻處理項(xiàng)目經(jīng)驗(yàn)。

畢業(yè)標(biāo)準(zhǔn)

進(jìn)去企業(yè)敲門磚的”畢業(yè)證“如何得到？

導(dǎo)師們之所以被學(xué)員們戲稱為大魔頭不單單因?yàn)榧夹g(shù)牛，更因?yàn)樗瑫r(shí)掌管著訓(xùn)練營學(xué)員的生殺大權(quán)！光學(xué)習(xí)是怎么可以的，我們的訓(xùn)練營是有考核的！

大魔頭們給學(xué)習(xí)成果定義了充分的可量化標(biāo)準(zhǔn)。貪心學(xué)院紅頭文件曬給你看：

• 考核 機(jī)制

我們也有嚴(yán)格的考核機(jī)制，包括項(xiàng)目作業(yè)的完成度、直播到課率、文章寫作等要素。而且根據(jù)這些考核來確定畢業(yè)生以及優(yōu)秀畢業(yè)生。針對(duì)于優(yōu)秀畢業(yè)生，我們會(huì)提供很豐厚的激勵(lì)機(jī)制。

再被大魔頭們折磨了多個(gè)日日夜夜后，大家不但沒有放棄學(xué)習(xí)，而且很快樂地學(xué)習(xí)著。來聽聽大家的心聲吧：

(精彩回顧，往期學(xué)員的采訪)

我們的魔鬼訓(xùn)練營體系已經(jīng)在眾多課程中得到了認(rèn)可，我們的課程幫助了大量有招聘或者轉(zhuǎn)型需求的學(xué)員達(dá)到技能提升或幫助大家拿到offer。

千萬不要覺得這是一個(gè) 對(duì)標(biāo)其他線上課程的普通的訓(xùn)練營：

由于內(nèi)容的專業(yè)性以及深度，在過去我們的訓(xùn)練營課程吸引了大量的全球頂級(jí)名府的學(xué)員，這里不乏來自 CMU, Columbia, USC, UCSD等美國頂級(jí)名校 和 清北上交等國內(nèi)名校學(xué)員 ，還有 知名企業(yè)很多準(zhǔn)一線的工程師 。

我們訓(xùn)練營的特色可以概括為：

體系化、專業(yè)性、深度、精細(xì)化講解，

最重要的一點(diǎn)是可以幫助你 看到里面的本質(zhì) 、而且能夠把零零散散的知識(shí)點(diǎn)串起來，

我們只做 AI教育 ，因?yàn)檫@是我們最擅長的領(lǐng)域！?

今年十月，我們將帶來全新的

《機(jī)器學(xué)習(xí)高階訓(xùn)練營》 。

這個(gè)被全網(wǎng)尊稱為能找到的

最體系化，

最有挑戰(zhàn)的，

實(shí)踐性最強(qiáng)的，

最燒腦的，

機(jī)器學(xué)習(xí)訓(xùn)練營等著你們！

勇士們讓我看到你們的雙手~

PS：

1、本課程為 收費(fèi)教學(xué) 。

2、每期僅招收 50 人，將擇優(yōu)錄取。

3、我們配備相應(yīng)的教材，越早加入就有更多預(yù)習(xí)準(zhǔn)備的時(shí)間！

另外我們會(huì)從留言區(qū)挑選兩名同學(xué)送兩本??

機(jī)器學(xué)習(xí)最佳的實(shí)戰(zhàn)書

報(bào)名方式

請掃描下面的二維碼咨詢課程

我們是誰？ 我們是一家專注于人工智能領(lǐng)域的在線教育公司，由一群有情懷的硅谷科學(xué)家來創(chuàng)辦。我們提供最專業(yè)的AI課程以及每月4-5期的免費(fèi)AI類公開課。關(guān)注此公眾號(hào)（“貪心科技AI”）可以獲得相關(guān)的信息。