7,129
个编辑
更改
跳到导航
跳到搜索
第463行：
第463行： − + + + + + + + + + + + +
→编者推荐
==编者推荐==
==编者推荐==
===集智课程===
===集智课程===
====[]====
====[https://campus.swarma.org/course/1390 监督式学习（三）：KNN 和决策树]====
该课程是机器学习监督学习的最后一节，主要讲解了从贝叶斯分类器看 KNN 算法，以及决策树的 ID3 算法。
总结来看，机器学习监督学习系列从简单的回归、分类、到 KNN 和决策树算法，教给我们基本的概念和分析逻辑。其中机器学习中的“学习”问题都可以看做优化问题得以解决，我们要像机器一样去思考问题。
====[https://campus.swarma.org/course/2848 基于机器学习方法的企业违约预测综述]====
随着全球金融危机和信贷风险的增加，企业违约预测在经济的每个部门都发挥着越来越重要的作用。本研究回顾金融工程和机器学习视角下的企业违约预测文献。 文章定义了三代统计模型：discriminant analyses, binary response models, and hazard models。 另外，也介绍三个有代表性的机器学习方法：支持向量机、决策树和人工神经网络算法。
====[https://campus.swarma.org/course/948 图网络——深度学习新架构]====
图网络——深度学习新架构 现实世界中的大量问题都可以抽象成图（Graph）或网络（Network），也就是节点和连边的集合。然而传统的机器学习方法，例如前馈神经网络或决策树很难处理图结构数据，这种缺陷大大限制了机器学习的应用领域。于是人们提出了图网络（Graph Network），一种基于图结构的广义人工神经网络，它可以直接对真实图上的相关问题进行建模，又可以利用自动微分技术进行学习，甚至有望将多个传统人工智能领域进行融合。本讲座将介绍什么是图网络、图卷积网络、图注意力模型，这些模型的优势和应用场景是什么。其次，我们将着重介绍本组利用图网络技术在网络和动力学重构、图上的组合优化问题求解、传统复杂网络上的任务，如连边预测、节点中心性等问题上的研究成果。