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
26

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【课程】纽约大学 DS-GA 1003 Machine Learning
专知会员服务
46+阅读 · 2019年10月29日
【CMU】机器学习导论课程(Introduction to Machine Learning)
专知会员服务
61+阅读 · 2019年8月26日
Machine Learning:十大机器学习算法
开源中国
21+阅读 · 2018年3月1日
Arxiv
26+阅读 · 2019年11月24日
Hardness-Aware Deep Metric Learning
Arxiv
6+阅读 · 2019年3月13日
Arxiv
18+阅读 · 2019年1月16日
VIP会员
相关论文
Arxiv
26+阅读 · 2019年11月24日
Hardness-Aware Deep Metric Learning
Arxiv
6+阅读 · 2019年3月13日
Arxiv
18+阅读 · 2019年1月16日
微信扫码咨询专知VIP会员