機器學習與人工智慧: 在 Python 中支援向量機 (Support Vector Machines )

Contents

使用 Python 實現分類( Classification )與迴歸( Regression )的人工智慧( AI )與資料科學演算法

課程介紹影片

從這 9 小時的課程，你會學到

將支援向量機( SVMs )應用於實際應用程式: 影像辨識、垃圾郵件檢測、醫療診斷和迴歸分析( regression analysis )
從頭開始(基本幾何)理解支援向量機背後的理論
利用拉格朗日對偶(Lagrangian Duality)推導核心支援向量機
理解二次規劃( Quadratic Programming )是如何應用到支援向量機
支援向量迴歸
Polynomial Kernel,，Gaussian Kernel，和 Sigmoid Kernel
基於支援向量機建立自己的 RBF 網路和其它神經網路

要求

微積分，線性代數，機率
Python 和 Numpy 程式設計
邏輯迴歸( Logistic Regression )

課程說明

支援向量機(SVM)是最強大的機器學習模型之一，自從我開始製作課程以來，這個主題一直是學生們所要求的。

這些日子以來，似乎每個人都在談論深度學習，但事實上曾經有一段時間，支援向量機被認為優於神經網路。在這門課程中你將學到的一件事情是，支援向量機實際上是一個神經網路，如果你畫一個圖表，它們看起來基本上是一樣的。

在學習支援向量機時，最難克服的障礙是它們非常理論化。這個理論很容易把很多人嚇跑，而且你可能覺得學習支援向量機超出了你的能力範圍。實際上並非如此！

在本課程中，我們將採用一種非常有條理的、一步一步的方法來建立您所需要的所有理論，以瞭解支援向量機是如何真正運作的。我們將使用邏輯迴歸( Logistic Regression )作為我們的起點，這是你作為一名機器學習的學生學到的第一件事情。因此，如果你想理解這門課程，只需要對邏輯迴歸(有一個好的直覺，並通過擴充套件，對直線、平面和超平面的幾何學有一個好的理解。

本課程將涵蓋 SVMs 背後的關鍵理論:

線性支援向量機推導 ( Linear SVM derivation )
鉸鏈損耗 Hinge loss (與交叉熵損耗 Cross-Entropy loss 的關係)
二次規劃 Quadratic programming (以及線性規劃 Linear programming 審查)
Slack 變數
Lagrangian Duality
核心支援向量機 Kernel SVM (非線性支援向量機)
Polynomial Kernels、Gaussian Kernels、 Sigmoid Kernels 和 String Kernels
學習如何實現無限維( infinite-dimensional )特徵擴展
計劃中的梯度下降法
SMO(序列最小優化演算法 Sequential Minimal Optimization)
RDF 網路(徑向基核函式神經網路 Radial Basis Function Neural Networks)
支援向量迴歸(SVR)
多元分類

對於那些認為”理論不適合我”的人，這門課也有很多材料適合你們！

在本課程中，將有不只一個而是兩個完整的部分專門討論如何有效地利用支援向量機的實務方面。

我們將做端到端的實際機器學習應用範例，例如:

影像識別
垃圾郵件檢測
醫學診斷
迴歸分析

對於更高階的學生，還有大量的程式設計練習，您可以在這些練習中嘗試實現 SVMs 的不同方法。

這些實現在其他課程中是找不到的。

謝謝你的閱讀，課堂上見！

你被認為具備以下硬性先決條件 / 知識:

微積分
線性代數 / 幾何
基本機率
邏輯迴歸( Logistic Regression )
Python 程式設計: if / else、迴圈、lists、 dicts、 set
Numpy 程式設計: 矩陣和向量操作，載入 CSV 檔案

我應該按什麼順序上你們的課程？：

查看講座“機器學習和 AI 先決條件路線圖”（可在我的任何課程的常見問題解答中找到，包括免費的 Numpy 課程）

獨特的功能

每行代碼都有詳細解釋 – 如果您不同意，請隨時給我發電子郵件
不會像其他課程那樣浪費時間在鍵盤上“打字” – 老實說，沒有人能在短短 20 分鐘內從頭開始真正編寫出值得學習的程式碼
不懼怕大學水平的數學 -了解其他課程遺漏的有關演算法的重要細節

小技巧(幫助你完成課程) :

以2倍速觀看。
手寫記下筆記。這將極大地提高你記住資訊的能力。
寫下方程式。如果你不這樣做，我保證它將只是看起來像胡言亂語。
在課程論壇上問很多問題。越多越好！
最好的練習將花費你幾天或幾周的時間來完成。
自己編寫程式碼，不要只是坐在那裡看我的程式碼。這不是哲學課！

目標受眾

想知道如何使用向量機( SVM )解決實際問題的初學者
想知道向量機背後的所有理論的專家
希望瞭解如何有效調整向量機的專業人員

講師簡介

Lazy Programmer Inc 資料科學家和大數據工程師 ( 更多講師主講課程介紹 )

我是一名資料科學家、大數據工程師和全端軟體工程師。

我擁有計算機工程碩士學位，專門從事機器學習和模式 ( pattern ) 識別。

我曾在網路廣告和數位媒體擔任過資料科學家和大數據工程師，圍繞所述的資料構建各種高流量的 web 服務。我曾經使用 Hadoop / Pig / MapReduce 建立了新的大數據管道，也曾建立了機器學習模型來預測點擊率，使用線性迴歸、Bayesian Bandits 和協作篩選建立新聞推薦系統，並使用A / B測試驗證結果。

我在大學與研究所如哥倫比亞大學、紐約大學、Humber College 和 The New School 教過資料科學、統計學、機器學習、演算法、微積分、電腦圖學和物理學。

多家企業已經從我的 Web 程式設計專業知識中受益。我做所有的後端（伺服器）、前端（HTML / JS / CSS）和操作/佈署工作。我使用的一些技術是：Python、Ruby / Rails、PHP、Bootstrap、jQuery（Javascript）、Backbone 和 Angular。至於儲存/資料庫，我使用MySQL、Postgres、Redis、MongoDB 等。