【课程介绍】
本第二期与第一期的主要改进： 1 硬性条件大力提升。杜绝数学1因麦克风、手写板、语速过快导致的上课体验不佳； 2 讲清楚每个知识点。杜绝堆砌知识、罗列结论，重点阐述来龙去脉、因果为何； 3 通俗易懂更成体系。站在初学者的理解和接受程度，一步步循序渐进，厘清整个机器学习所需要掌握的数学体系； 4 加强作业测评巩固。每次课均布置作业，且最后设置考核； 5 讲师团队再次升级。管、孙、唐三大博士 + 寒老师坐阵，既通晓本质，更透析应用。
【课程目录】
第一阶段 微积分
第一课：微分学基本概念
试听
知识点1： 极限，导数，偏导数，泰勒级数
实战项目： 梯度下降法与牛顿法
第二课：微分学进阶
知识点1： 函数求导法则，反函数求导，隐函数定理简介
实战项目： 反向传播算法在神经网络里的应用
第二阶段 概率论
第三课：概率论简介
知识点1： 积分学与概率论基本概念，贝叶斯公式，正态分布与熵
实战项目： 朴素贝叶斯分类器
第四课：极大似然估计
知识点1： 极大似然估计，凸函数，琴生不等式
实战项目： 逻辑回归，EM算法简介
第三阶段 线性代数
第五课： 线性代数基础
知识点1： 线性函数与矩阵运算
实战项目： 最小二乘法的几何以及统计学意义
第六课：线性代数进阶
知识点1： 矩阵标准型理论简介，矩阵的奇异值分解
实战项目： 数据降维之主成分分析
第四阶段 优化
第七课：凸优化简介
知识点1： 凸优化问题，拉格朗日乘数法与KKT条件
实战项目： 从优化的角度理解支持向量机
第八课：优化的稳定性
知识点1： Ridge优化算法 与 Lasso优化算法
实战项目： 压缩感知与图像处理简介
第五阶段 机器学习
第九课：从线性模型谈起的机器学习分类与回归
知识点1： 线性回归、逻辑回归、softmax、hinge loss、cross-entropy loss
知识点2： 神经网络与非线性切分
实战项目： 线性分类器与神经网络的非线性切分案例
第十课：从信息论到工业界最爱的树模型
知识点1： 信息熵、信息增益、信息增益率、gini index
知识点2： ID3、C4.5、CART、随机森林、GBDT
实战项目： 用决策树与随机森林完成分类案例
| 
