机器学习主流算法

机器学习无疑是当前人工智能、数据分析领域的热点内容。在我们平时的科研或者工作中，都或多或少会用到机器学习的算法，然而机器学习的算法很多，有些算法属于单独一类算法，而有些是从其它现有算法中扩展延伸而来。

这次课程，我们总结了当前科研以及企业界常用的9大机器学习算法，每类算法逐一介绍其引入背景、核心思想以及使用案例。

课程目录

1. 基础知识

1.1 矩阵论基础知识

课程内容：包括向量、矩阵演算；矩阵求导以及矩阵分解等

1.2 概率论基础知识

课程内容：包括常见分布介绍；参数估计以及信息熵等

1.3 优化基础知识

课程内容：包括拉格朗日乘子法；二次规划问题介绍以及梯度下降优化等

2. 机器学习主流算法

2.1 贝叶斯分类

课程内容：包括朴素贝叶斯、贝叶斯决策论等

2.2 回归与分类

课程内容：包括曲线拟合；线性回归以及logistic回归等

2.3 支持向量机

课程内容：包括线性支持向量机；非线性支持向量机以及核方法等

2.4 聚类

课程内容：包括K均值聚类以及层次聚类等

2.5 数据降维

课程内容：包括主成分分析；线性判别分析以及非线性降维等

2.6 EM算法

课程内容：包括EM算法基础、多高斯参数估计以及相关应用等

2.7 隐马尔科夫模型

课程内容：包括马尔科夫、隐马尔科夫模型以及相关应用等

2.8 决策树

课程内容：包括决策树以及随机森林等

2.9 Adaboost算法

课程内容：包括独立于算法的机器学习以及Adaboost算法等