《机器学习实战》训练营
课程资料
-
李航《统计学习方法》(链接：https://pan.baidu.com/s/1MSx407RuPCJt5KSej0Yqlg 密码：h74l)
-
周志华《机器学习》（链接：https://pan.baidu.com/s/1wyqhvJHkI1zHph8RRsm9iw 密码：1475）
课程安排
总课时：12 周
基础：第 1 章
分类： 第 1～7 章
预测：第 8～9 章
无监督式学习：第 10 章
降维与分布式：第 13～14 章
第一周
0 自测与比赛
-
0.1 机器学习笔试100题
-
0.2 天池比赛流程解析
1 机器学习基础
-
1.1 Python 基础知识，Numpy、pandas、Matplotlib 等库的简介
-
1.2 开发环境的搭建：Python3 + Anaconda + Jupyter Notebook
-
1.3 Jupyter Notebook 使用简介
2 k-近邻算法
-
2.1 k-近邻算法概述
-
2.2 示例：使用 k-近邻算法改进网站的配对效果
-
2.3 示例：手写识别系统
第二周
3 决策树
-
3.1 决策树的构造
-
3.3 测试和存储分类器
-
3.4 示例：使用决策树预测隐形眼镜类型
第三周
4 基于概率论的分类方法：朴素贝叶斯
-
4.1 基于贝叶斯决策理论的分类方法
-
4.2 条件概率
-
4.3 使用条件概率来分类
-
4.4 使用朴素贝叶斯进行文档分类
-
4.5 使用 Python 进行文本分类
-
4.6 示例：使用朴素贝叶斯过滤垃圾邮件
第四周
5 Logistic回归
-
5.1 基于 Logistic 回归和 Sigmoid 函数的回归
-
5.2 基于最优化方法的最佳回归系数确定
-
5.3 示例：从疝气病症预测病马的死亡率
第五周
- 天池o2o预测赛（初级）
第六周
6 支持向量机
-
6.1 基于最大间隔分隔数据
-
6.2 寻找最大间隔
-
6.3 SMO 高效优化算法
-
6.4 利用完整 Platt SMO 算法加速优化
-
6.5 在复杂数据上应用核函数
-
6.6 手写识别问题
第七周
7 利用 AdaBoost 元算法提高分类性能
-
7.1 基于数据 多重抽样的分类器
-
7.2 训练算法：基于错误提升分类器的性能
-
7.3 基于单层决策树构建弱分类器
-
7.4 完整 AdaBoost 算法的实现
-
7.5 测试算法：基于 AdaBoost 的分类
-
7.6 示例：在一个难数据集上应用 AdaBoost
-
7.7 非均衡分类问题
第八周
8 预测数值型数据：回归
-
8.1 用线性回归找到最佳拟合直线
-
8.2 局部加权线性回归
-
8.3 示例：预测鲍鱼的年龄
-
8.4 缩减系数来“理解”数据
-
8.5 权衡偏差和方差
第九周
9 树回归
-
9.1 复杂数据的局部性建模
-
9.2 连续和离散型特征的树的构建
-
9.3 将 CART 算法用于回归
-
9.4 树减枝
-
9.5 模型树
-
9.6 示例：树回归于标准回归的比较
第十周
- 天池o2o预测赛（进阶）
第十一周
10 利用 K-均值聚类算法对未标注数据分组
-
10.1 K-均值聚类算法
-
10.2 使用后处理来提高聚类性能
-
10.3 二分 K-均值算法
-
10.4 示例：对地图上的点进行聚类
第十二周
13 利用PCA来简化数据
-
13.1 降纬技术
-
13.2 PCA
-
13.3 示例：利用 PCA 对半导体制造数据降维
14 利用SVD简化数据
-
14.1 SVD 的应用
-
14.2 矩阵分解
-
14.3 利用 Python 实现 SVD
-
14.4 基于协调过滤的推荐引擎
-
14.5 示例：餐馆菜肴推荐引擎
-
14.6 示例：基于 SVD 的图像压缩