[背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community 就像Emily所说的 我们会通过大量的案例研究机器学习的 不同领域和它们背后的概念 所以说 别的机器学习的课程 可能是一大串的 算法和方法 比如说 支持向量机 (SVM) 核函数 logistic回归 神经网络 等等这些东西 他们就像是一大串的方法 那种教学方法的问题就是 由于你是从算法开始 当你面对一些基础简单的应用的时候 你会发现它们已经有点脱离了现实生活 所以我们在这个课程系列里面尝试了很不同的方式 我们用这种案例学习的方法已经很久了 Emily和我在华盛顿大学开了一堂课 是关于大数据的机器学习的 我们是这种使用案例来讲授机器学习的先驱 在那堂课上 我们收到了很多正面的反响 学生们能够真正的了解概念 所以我们在第一堂课中就使用了案例 通过每个例子 你能够真正掌握每个问题的关键 让你能够去使用这些方法 并且 去理解和衡量你制造出来的智能应用是否有效 在这堂课结束的时候
你能够自己做出很多这样的人工智能应用 为了制造那些智能应用 你要去思考你会完成什么任务 你要去解决情感分析问题的话
会采用什么样的模型 以及 比如说在支持向量机 或者回归当中 你将要怎么样去优化模型中的参数 当我问道 这是否是 是我所想要的智能? 我们应该如何去衡量系统的质量? 在这节课中 我们将要把这些问题  推迟 把如何衡量模型并且优化的问题 放到以后的课程中 所以说第一节课 我们将着重于 我们怎么解决问题 什么样的机器学习方法最合理 以及如何衡量他们 比如说优先队列的算法 能够同时制作很多智能 我们编译他们 然后制造出他们 并用在很多地方 在接下来的课程中 我们有四个部分加上一个毕业设计 他们都在不同的领域做了深入的研究 让我给出一些 这门课程中将要看到的例子吧 回归的课程是关于不同的模型来 预测房价 比如说 通过房子的特性预测房子的价格 我们会讨论到线性回归 然后会讨论到更深入的话题
比如说岭 (ridge regression) 回归和套锁 (lasso regression) 回归 你可以去选择最合适你的模型 我们也会说到梯度递降 ( gradient descent) 和 坐标递降 (coordinate descent) 这些优化方法
来优化你模型的参数 包括机器学习很重要的损失函数 偏差-方差权衡 交叉验证等重要概念 这些都是在模型背后 你必须要了解的 并且能够提升模型的东西 然后通过这些模型去制造应用 第二个例子是关于分类 我们将要制造一个 是Emily说到的情感分析的模型 还会说到更多分类 对于线性分类器 以及更复杂的东西 比如说线性回归 噢不对是逻辑回归 (注：教授logistic和linear 口误) 
还有支持向量机 这些高级分类器 然后增加核函数 决策树 这些能够帮你处理非线性的复杂特性 我们将要谈论到优化这类非线性模型的方法 这种方法叫做提升算法 这些机器学习中的概念能够 帮助你了解分类器并且将其应用到不同的方法中 在接下来的课程中 我们要讨论到聚类和 检索算法 特别是在文档中 比如说基础的最邻近算法 高级一点的混合高斯算法 主题模型 能够在文本分析中实行聚类 我们会说到构建这些东西的基础算法 并且纵向深入 说到K-D树 和样本 还有最大期望算法 这些核心概念主要是把算法深入 然后去衡量模型 并且学习怎么写相关的代码 比如说用到分布算法像映射归约 学习使用像Hadoop这样的系统 在第四个部分中你将要学到 如何写映射归约的代码 来完成分布机器学习 在最后一部分中  我们要说道 现在被大量使用的矩阵分解还有降低维度的方法 特别是推荐产品的推荐系统 还有像协同过滤算法 矩阵分解 主成分分析 这些能够 能够优化模型的方法
比如说坐标递降 特征值分解 奇异值分解 很多大量机器学习会使用的例子 在推荐系统的例子中 如何去选择不同的推荐集 并且发展到更大规模的推荐系统 毕业项目会非常有趣 我等会回来再说到这个毕业设计 给你一点暗示 你将要制造 一个非常酷的东西
你可以展示给你的朋友 你潜在的雇主 这是一个非常聪敏的智能 是关于推荐者 并且包含了文本类数据 图片数据 和情感分析 深度学习  总之酷酷哒！ [背景音乐]
翻译: RyukaSuu |审阅: 19waa
Coursera Global Translator Community