突破算法,横扫金融界、IT圈

2 月 20 日 Python程序员


北上广容不下肉身,

三四线放不下灵魂,

程序员里没有穷人,

有一种土豪叫算法工程师。

算法,晦涩难懂,却又是IT领域最受重视的素养之一。可以说,算法能力往往决定了一个程序员能够走多远。因此,BAT/FLAG等国内外各大名企非常喜欢在面试环节考核求职者的算法编程,这也成为了无数准程序员们过不去的一道“坎”。

如何入门并成为一名出色的算法工程师?

跟我走吧

陆家嘴学堂推出

Python经典算法设计与机器学习训练营

零基础入门

充分发挥Python语言简洁、高效及易学特点,这门课将全面阐释经典算法思想,数据结构以及机器学习算法原理与实践,利用金融、商业数据分析场景,手把手教学程序设计技巧,为学员打下扎实基础,助您突破算法类岗位面试中各类问题,摘得心中理想的岗位。

 

教学课题的选择根据招聘中算法、数据分析岗位实际技能需求进行设置,涵盖逻辑实现能力、机器学习深度学习算法的理解以及数据挖掘的基本技巧。这些技能包括并不仅限于:深度学习/神经网络(MLP,CNN,RNN),回归分析,K-Means聚类,支持向量机、决策书与Ensemble,PCA,交叉检验,Bias/Variance Tradeoff,搜索算法等等

 

课程目标

(1)帮助学生快速入门python算法与机器学习

(2)理解经典的算法及数据结构思想原理。

(3)熟练运用Python语言及常用库。

(4)理解机器学习,深度学习算法细节,能够运用算法解决实际问题。 

(5)自信面对数据、算法类岗位面试各类考题。

(6)学习金融、商业及工业领域的应用场景。

(7)帮助学生转换职业发展路径到数据科学或者AI领域。

(8)打磨自身编程技能并掌握重要算法基础知识和核心就业技能。

 

Jason

CQF、CFA、FRM、Wilmott/CQF高级会员、SEG/EAGE学会会员、享独立国家发明专利、世界500强投资部门主管、资深金融工程师、油气行业算法工程师、SEG油藏地球物理工程师同济大学理学博士(同济大学与德州大学经济地质局联合培养)精通Python语言,算法与数据库基础极为扎实。担任过多次面试官,并培训新人。

以第一作者身份发表多篇国际期刊及会议论文,内容涵盖强化学习(蚁群算法)、数据分析等,波动方程偏移以及机器学习下的动态资产组合建立等等。近年来发表三篇国际顶会论文,分别受邀前往Oral宣读。积累了大量算法研究成果,其中包括CV算法(发表EI期刊论文一篇),深度学习算法优化,基于频谱分解的强化学习,蒙特卡罗及情景分析经济地质测算与快速评价等等。

课程大纲

第一模块:Python程序设计基础 (2个课时)

一、Python基础

1.语言特性

2.程序设计环境

 Anaconda环境简介

3.语法基础

变量及标记语法

4.常用函数

5.语句结构

顺序、循环、条件与递归

6. 常用库介绍

Numpy、 Pandas、 Matplotlib等等

7. 面向对象方法

 案例

二、算法分析与Big O

1.算法分析与Big O简介

2.Big O 案例

3.Python 数据结构中的Big O

第二模块:常用库及应用 (2个课时)

一、Numpy库的应用

1.特性

2.函数与方法

二、Pandas库的应用

1.时间序列处理初步

2.Dataframe与Series

3.常用方法与函数

4.类数据库查询

三、可视化库的应用

1.可视化图件意义及制作方法

散点图、饼图、频度图、QQ、热力图等

2.Matplotlib,Seaborn及Pandas Plotting应用

3.对象特性

第三模块:常用数据结构(2.5个课时)

一、数组

数组序列简介

动态数组与低级别数组

常见面试问题

二、栈、队列与双端队列

简介

Python实现方式

常见案例

三、链表

单链表与双链表

常见问题

四、树

树结构的表征

树的遍历

二叉搜索树

常见应用

五、图

图的简介

邻接矩阵与邻接列表

常见应用

第四模块:经典算法的Python实现(2.5个课时)

1.贪心算法:原理与实例

2.递归与遍历

递归原理

序列遍历与二分法

深度优先与广度优先遍历

常用场景

3.常用排序算法:算法原理、实例

4.动态规划算法初步:原理、应用场景案例

5.Hash函数:原理、Hash表的应用

第五模块:机器学习算法原理及Python应用(4个课时)

一、机器学习算法概览与数学基础

1.概率论与统计基础

2.Bayes原理

3.最大似然原理

4.机器学习“武器库”概况

二、最优化问题相关算法

1.预测模型与最小二乘:(多元)线性回归

2.Lagarange法:案例投资组合管理

3.牛顿法,最速下降及其变种

三、Logit回归及机器学习重要概念

1.Logit回归原理

2.损失函数

3.偏差与方差

4.欠拟合与过拟合

5.评估参数与方法

6.案例

四、经典机器学习算法思想

1.EM算法思想: Kmeans算法等

2.树类算法:不纯度计算:熵与Gini系数

Ensemble原理:Boosting,Bagging, Stacking

GBDT,RandomForest

算法优化

案例

3.聚类算法:PCA、 SVD、T-SNE

4.支持向量机

间隔与几何间隔

对偶最优化问题

核技巧

损失函数:从Cross Entropy到Hinge

应用案例

5.特征工程及实战技巧

Sk-Learn库使用方法

特征工程基础

常用特征工程算法

K-Fold交叉检验

数据清洗与充填

异常值检验

第六模块:时间序列分析常用算法(3个课时)

1.信号分解与时频分析

2.滤波与重构

3.ARIMA模型

模型定阶初步

 Python实现

4.Garch模型:原理及Python实现

5.随机过程:理论、随机采样,蒙特卡罗法

6.案例

ARIMA股价预测

多阶指数滤波

信号分解重构

第七模块:深度学习实践与提高(3个课时)

一、神经网络原理

1.激活函数

2.梯度下降算法

3.正向传播与反向传播

二、神经网络实现

1.Tensorflow、Keras、Theano库应用基础

2.手把手学习底层代码          

三、主要问题及优化

1.Dropout

2.BatchNormalisation

3.激活函数优化

4.结构优化

四、卷积神经网络初步

1.图像滤波与特征

2.输出特征尺寸计算

3.参数调优

五、深度学习经典模型及研究进展

1.循环神经网络(RNN)

2.LSTM,Gru等

3.新技术及学习方法

第八模块:算法类岗位面试问题解决(2个课时)

1.统计与概率题

2.智力题

3.数据库SQL

4.经典算法题概要

5.机器学习算法相关

6.实务类算法设计题


//  课程详情  //

课程单价:899元

早鸟拼团优惠价:299元

每节课时长:60分钟左右、部分内容时长可能超出。

开课时间:2019年3月5号晚上20:00

课程形式:录播视频 & 社群互动 & 微信群答疑

课时:共计21个课时,21个小时

学习形式:

线上视频:通过微信服务号(陆家嘴学堂)收听

作业:每次课程更新后,将通过服务号发布实战作业

作业讲解:视频讲解,与课程同步更新

听课形式:手机、电脑均可直接登录听课

有同步课件可以下载,一次付费永久观看

课程报名

长按识别二维码即可报名哦

有任何问题都可以咨询陆家嘴学堂助教zndb001


陆家嘴学堂

长按识别二维码有福利哦


听课流程:

1. 扫码支付购买课程

2. 关注公众号“陆家嘴学堂”

3. 点开公众号“陆家嘴学堂”里中间的菜单“学堂频道”,可在课程列表里找到“我的”,找到“已购”点开即可听课

4. 在课程的“目录”里,有“必读”,点开即可扫码加助教进入付费群。(付费群用于同学们交流沟通,不影响正常听课)

注:

1. 本课程为一次性付款,无需缴纳其它任何费用,在第一节课更新后48小时内可申请退款,48小时后不予退款,报名前请谨慎考虑。

2. 如果你有其他相关问题,可以加课程顾问微信(zndb001)咨询相关事宜。

登录查看更多
点赞 0

Face recognition has attracted increasing attention due to its wide range of applications, but it is still challenging when facing large variations in the biometric data characteristics. Lenslet light field cameras have recently come into prominence to capture rich spatio-angular information, thus offering new possibilities for advanced biometric recognition systems. This paper proposes a double-deep spatio-angular learning framework for light field based face recognition, which is able to learn both texture and angular dynamics in sequence using convolutional representations; this is a novel recognition framework that has never been proposed before for either face recognition or any other visual recognition task. The proposed double-deep learning framework includes a long short-term memory (LSTM) recurrent network whose inputs are VGG-Face descriptions that are computed using a VGG-Very-Deep-16 convolutional neural network (CNN). The VGG-16 network uses different face viewpoints rendered from a full light field image, which are organised as a pseudo-video sequence. A comprehensive set of experiments has been conducted with the IST-EURECOM light field face database, for varied and challenging recognition tasks. Results show that the proposed framework achieves superior face recognition performance when compared to the state-of-the-art.

点赞 0
阅读1+
小贴士
Top