本课程讲的是机器学习的重要发展方向——自动化机器学习，主要内容有AutoML的基本框架，NAS算法和超参调优算法的基本原理，现有AutoML系统介绍以及优缺点的比较，元学习的不同方法以及这些方法的基本原理

机器学习pdf-已转档(1).pdf

信用债估值新方法：基于大数据和机器学习.pdf

王德科—第一周.

脑机接口中的机器学习.pdf

理解机器学习 理解机器学习

人工智能43：因子观点融入机器学习.pdf

从1642年Pascal发明的手摇式计算机，到1949年Donald Hebb提出的赫布理论——解释学习过程中大脑神经元所发生的变化，都蕴含着机器学习思想的萌芽。事实上，1950年图灵在关于图灵测试的文章中就已提及机器学习的概念。到了1952年，IBM的亚瑟·塞缪尔（Arthur Samuel，被誉为“机器学习之父”）设计了一款可以学习的西洋跳棋程序。塞缪尔和这个程序进行多场对弈后发现，随着时间的推移，程序的棋艺变得越来越好[1]。塞缪尔用这个程序推翻了以往“机器无法超越人类，不能像人一样写代码和学习”这一传统认识。并在1956年正式提出了“机器学习”这一概念。

视频在B站可以搜索到 菊安酱机器学习全套学习资料 pdf+ipython+kaggle数据集 算法讲解以及经典数据案例讲解

过往当中，我们总是担心学习大数据既要掌握复杂的数学知识，也是熟悉编程技术。但本次课程将颠覆你以往的概念，本次课程不但包含了数学统计知识的传授，也囊括了机器学习的实践案例，最重要的是所有课时都将利用轻松的场景，把专业晦涩的数据科学知识及商业应用内容用通俗易懂的方式传授给大家。 在本次课程中，所有实践案例将结合IBM SPSS Modeler工具进行实现并提供样例学习，各位学员不需要花费大量时间去掌握一门新的编程语言，只需要通过图形化界面就能实现机器学习的常用算法，使大家能够把时间更加专注于商业问题的解决中。