机器学习核心算法与实战案例应用技术培训班

A课程

1、机器学习算法的数学基础

1.1 线性代数

1.2 概率与统计

1.3 凸优化

2、Python基础与科学计算

2.1 Python数据结构

2.1.1 列表与元组

2.1.2 字符串基本操作

2.1.3 字典的创建与使用

2.1.4 条件、循环和函数

2.2 科学计算库Numpy基础

2.2.1 ndarray对象与多维数组

2.2.2 ufunc函数

2.2.3 Numpy排序与索引

2.3 数据分析库Pandas基础

2.3.1 Pandas中的数据对象

2.3.2 Pandas文件数据读取

2.3.3 Pandas时间序列

2.4 Python数据可视化库Matplotlib

2.4.1 Matplotlib绘制折线图

2.4.2 Matplotlib多种数据分析图绘制方法

2.4.3 Matplotlib技巧

2.5 Python机器学习库Scikit-Learn

2.5.1 为什么选择Scikit-Learn

2.5.2 使用sklearn分类案例

3、常用机器学习算法理论与实践

3.1 机器学习的基本概念

3.1.1 机器学习的特点与功能

3.1.2 机器学习的对象

3.1.3 机器学习的分类

3.1.4 机器学习的要素

3.1.5 机器学习模型求解

3.1.6 经验风险与结构风险

3.2 特征工程

3.2.1 特征工程是什么

3.2.2 数据预处理

3.2.3 特征选择方法

3.2.4 特征降维

3.3 KNN算法

3.3.1 KNN算法思想与距离度量

3.3.2 最优K值的确定

3.3.3 KNN预测案例实战

3.4 逻辑回归算法

3.4.1 逻辑回归模型

3.4.2 逻辑回归损失函数

3.4.3 逻辑回归模型求解

3.4.4 逻辑回归算法实战

3.5 朴素贝叶斯算法

3.5.1 朴素贝叶斯算法的数学原理

3.5.2 朴素贝叶斯算法参数估计

3.5.3 贝叶斯估计

3.5.4 Navive Bayes实战

3.6 决策树算法

3.6.1 熵与信息增益

3.6.2 决策树的生成（ID3、C4.5）

3.6.3 决策树剪枝策略

3.6.4 决策树分类案例实战

3.7 集成学习方法大串讲

3.7.1 AdaBoost算法原理

3.7.2 随机森林算法原理

3.7.3 GBDT算法原理

3.7.4 XGBoost 与 LightGBM

3.8 支持向量机SVM

3.8.1 SVM要解决的问题

3.8.2 线性可分SVM原理推导

3.8.3 非线性SVM与核函数

3.8.4 SVM多分类解决方法

3.9 K-Means算法

3.9.1 K-Means算法原理

3.9.2 Python实现K-Means算法

3.9.3 KMeans聚类识别虚假广告点击案例分析

3.10 特征降维

3.10.1 PCA降维原理

3.10.2 LDA降维原理

3.10.3 PCA与LDA降维案例对比分析

3.11 神经网络

3.11.1 神经元模型与感知机

3.11.2 BP学习算法

3.11.3 使用神经网络编码高维稀疏特征向量案例分析

3.12 深度神经网络与CNN

3.12.1 深度学习的概念

3.12.2 CNN网络结构详解

3.12.3 Mnist手写字体识别案例分析

3.13 常用机器学习算法优缺点对比

4、机器学习综合案例

4.1 图像目标检测与定位

4.1.1 HOG+SVM目标定位

4.2 使用KMeans进行高光谱图像分析

4.3 机器学习在推荐系统的应用