从传统算法走向神经网络 | 公开课

分享背景

▼

如今是人工智能“大行其道”之时，而深度学习正是其中最有力的工具之一。但是为什么许多传统算法的表现不佳，以及深度学习这个“黑箱”中到底发生了什么，我们可能就不得而知了。为此，本次分享会通过将深度学习的根基——神经网络与传统机器学习算法（朴素贝叶斯、决策树）进行比较，从而直观地说明为何它如此有效。

分享主题

▼

从传统算法走向神经网络

分享提纲

▼

1.机器学习与神经网络的基本概念；

2.朴素贝叶斯与神经网络；

3.决策树与神经网络；

4.实现、改进与创新。

分享人简介

▼

何宇健，《Python与机器学习实战》作者，来自北京大学数学系，有多年Python开发经验，在GitHub上拥有并维护着一个纯Python编写的机器学习算法库（180个stars，100个forks）。曾在创新工场AI工程院负责研发适用于结构化数据的新型神经网络。

分享时间

▼

北京时间11月20日（周一）20:00

参与方式

▼

扫描海报二维码添加社长微信，备注「何宇健」

不要等到算法出现accuracy不好、

loss很高、模型overfitting时，

才后悔没有好好掌握基础数学理论。

走稳机器学习第一步，夯实数学基础！

“线性代数及矩阵论、概率论与统计、凸优化”

3大数学基础课程，火热团购中！

扫码参团

公开课精彩往期回顾

复旦Ph.D沈志强：用于目标检测的DSOD模型（ICCV 2017）

极限元刘斌：深度学习在语音生成问题上的典型应用

搜狗文仕学：基于深度学习的语音分离

Video ++孙兆民：视频内容识别行业分析

悉尼科大王超岳：基于生成对抗网络的图像编辑方法

达观数据张健：文本分类方法和应用案例

清华Ph.D王书浩：基于深度学习的电商交易欺诈检测系统

Twitter工程师王东：详解YOLO2与YOLO9000目标检测系统

Kaggle比赛金牌团队：图像比赛的通用套路有哪些？

宜远智能刘凯：显著降低模型训练成本的主动增量学习

如果你觉得活动不错，欢迎点赞并转发本文~

                ▼▼▼