Machine Learning Algorithms in Julia

本课程适用于已经具有数据科学和统计学背景的人。

本课程为讲师指导的培训（线上或线下），适合已有数据科学和统计学背景的人士。

课程形式

• 互动式讲座与讨论。
• 练习与实作。

课程自定义选项

• 如需为本课程安排定制培训，请联系我们进行安排。

Julia 中的机器学习算法

介绍性概念

监督学习和无监督学习 交叉验证和模型选择 偏差/方差权衡

线性和逻辑回归

（朴素贝叶斯和GLM）

介绍性概念 拟合线性回归模型 模型诊断 朴素贝叶斯 拟合逻辑回归模型 模型分析 选型方法

距离

什么是距离？ 欧 氏 Cityblock 街区 余弦 相关 马哈拉诺比斯 汉明 狂 有效值 均方偏差

降维

主成分分析（PCA） 线性主成分合成材料 内核 PCA 概率 PCA 独立 CA

正则化的基本概念 岭回归 套索回归 主成分回归 （PCR）

聚类

K-均值 K-中心体 DBSCAN扫描 分层聚类 马尔可夫聚类算法 模糊 C 均值聚类

标准机器学习模型

（NearestNeighbors、DecisionTree、LightGBM、XGBoost、EvoTrees、LIBSVM 包）

梯度提升概念 K 最近邻 （KNN） 决策树模型 随机森林模型 XGboost EvoTrees（沃树） 支持向量机 （SVM）

人工神经网络

（助焊剂包）

随机梯度下降和策略 多层感知器前向馈电和后向传播 正规化 递归神经网络 （RNN） 卷积神经网络 （Convnets） 自动编码器 超参数