第1课 回归问题与应用
知识点1： 机器学习基本概念
知识点2： 线性回归定义和应用
知识点3： 线性回归损失函数
知识点4： 随机梯度下降法和学习率的理解
知识点5： 欠拟合和过拟合
知识点6： 正则化作用
知识点7： 逻辑回归解决分类问题
知识点8： 逻辑回归损失函数
知识点9： 二分类和多分类处理
实战项目： 手写逻辑回归代码
第2课 决策树、随机森林、GBDT
知识点1： 决策树介绍
知识点2： 熵、不纯度的理解
知识点3： ID3、ID4.5、CART算法描述
知识点4： 信息增益、信息增益率介绍
知识点5： Bagging与随机森林算法
知识点6： Boosting与Adaboost算法
知识点7： GBDT与XGBoost算法
实战项目： 用XGBoost预测糖尿病患病概率
第3课 SVM
知识点1： SVM发展史介绍
知识点2： SVM决策边界公式推导
知识点3： SVM函数间隔公式推导
知识点4： SVM目标函数公式推导
知识点5： 拉格朗日求解带约束问题的目标函数
知识点6： 核函数映射、核技巧
知识点7： SVM求解优化算法思想
第4课 最大熵与EM算法（上）
知识点1： 熵概念
知识点2： 交叉熵、条件熵
知识点3： 互信息与KL散度
知识点4： 最大熵模型公式推导
第4课 最大熵与EM算法（下）
知识点1： EM算法概念介绍
知识点2： 隐变量理解
知识点3： 最大似然函数
知识点4： EM算法的迭代求解：E步和M步
知识点5： EM算法的公式推导
知识点6： 混合模型与EM算法、高斯混合模型
知识点7： EM算法的代码实现
第5课 机器学习中的特征工程处理
知识点1： 阿里比赛及特征工程介绍
知识点2： 数据与特征处理：采集
知识点3： 数据与特征处理：格式化与存储
知识点4： 数据与特征处理：数据清洗
知识点5： 数据与特征处理：数据采样与正负样本不平衡的处理
知识点6： 数据与特征处理：数值型处理（幅度调整、统计值、离散化、log变换、统计值、转类别型）
知识点7： 数据与特征处理：离散型处理（one-hot编码、哑变量、hash与聚类、转数值型）
知识点8： 数据与特征处理：时间日期型处理（one-hot编码、哑变量、hash与聚类、转数值型）
知识点9： 数据与特征处理：文本型处理（词袋模型、n-gram、word2vec、tf-idf）
知识点10： 数据与特征处理：统计特征与组合特征
知识点11： 特征选择：过滤型、包裹型、嵌入型
实战项目： kaggle实战：天池电力AI大赛
第6课 多算法组合与模型最优化
知识点1： 数据、模型介绍
知识点2： 数据部分：采样、清洗、处理、选择
知识点3： 模型部分：选择模型、超参数、模型选择、网格搜索GirdSearch
知识点4： 模型优化：欠/过拟合、学习曲线
知识点5： 模型优化：不同欠/过拟合时的处理、bad case分析
知识点6： 模型融合：Bagging、Stacking、Boosting
实战项目： kaggle实战：泰坦尼克号预测
第7课 sklearn与机器学习实战
知识点1： sklearn简介
知识点2： 构建机器学习系统的一般流程
知识点3： 教你学习sklearn库：入门学习、算法指南、API介绍
知识点4： sklearn库整体建模流程
实战项目： 用sklearn库实现KNN算法预测
第8课 高级工具xgboost/lightGBM与建模实战
知识点1： XgBoost简介
知识点2： XgBoost三类重要参数详解：通用参数
知识点3： XgBoost三类重要参数详解：模型参数
知识点4： XgBoost三类重要参数详解：任务参数
知识点5： XgBoost调参指南（欠/过拟合时的参数处理）
知识点6： XgBoost案例的代码实现、参数选择、评估指标
实战项目： kaggle实战：便利店销量预测XgBoost实战
第9课 用户画像与推荐系统
知识点1： 推荐系统简介、结构
知识点2： 推荐系统评估方式（准确率、覆盖率、多样性等）
知识点3： 推荐系统：基于内容方式
知识点4： 推荐系统：基于协同过滤（冷启动问题）
知识点5： 基于用户和基于物品的协同过滤比较
知识点6： 推荐系统：基于隐语义模型（SVD）
知识点7： 推荐系统：基于用户行为序列及Word2vec
知识点8： 推荐系统细节说明、开源库介绍
实战项目： 基于用户的协同过滤算法代码实现
第10课 聚类
知识点1： 无监督学习目标
知识点2： 聚类各个领域的应用
知识点3： k-means算法的目标函数、距离计算公式
知识点4： k-means算法的随机初始化、迭代优化算法Lloyd
知识点5： 改进的k-means++初始化方法
知识点6： 层次聚类原理（自下而上合并和自上而下分裂）
实战项目： k-means算法的代码实现
第11课 聚类与推荐系统实战
知识点1： Kaggle酒店推荐比赛背景说明
知识点2： 数据泄露处理
知识点3： 随机森林建模代码讲解
知识点4： GBDT建模代码讲解
知识点5： SGD建模代码讲解
知识点6： 朴素贝叶斯建模代码讲解
知识点7： 模型Blending处理、提交结果
第12课 贝叶斯网络
知识点1： 机器学习历史（连接主义，符号主义，统计学习，图模型）
知识点2： 贝叶斯定理：诊断案例引入
知识点3： Monty Hall(三扇门)问题
知识点4： 贝叶斯网络
知识点5： 贝叶斯网络应用
知识点6： The sprinkler network（inference in DAG）
第13课 隐马尔科夫模型HMM
知识点1： HMM模型介绍
知识点2： 状态转移概率、初始状态概率、观测概率
知识点3： HMM的两个基本假设
知识点4： HMM的预测问题思路讲解
知识点5： HMM的应用场景介绍
知识点6： RNN和HMM的对比
第14课 主题模型
知识点1： 主题模型的实例的直观解释
知识点2： LDA与贝叶斯模型
知识点3： 先验、后验与似然理解
知识点4： LDA的生成过程和公式解释
知识点5： gamma函数、二项分布、多项分布、beta分布、Dirichlet分布
知识点6： 共轭先验和贝叶斯框架
知识点7： pLSA和LDA区别
实战项目： 用LDA算法一眼看穿希拉里邮件
获取资料的同学请加VX：itpenguin
image.png
网友评论