機器學習基礎篇
配置基本的編程環境，熟練使用Python語言 掌握機器學習中的算法
· 系列課程環境配置
· Python快速入門
· 變量類型
· List基礎
· List索引
· 循環結構
· 判斷結構
· 字典
· 文件處理
· 函數基礎
· 機器學習概述
· 回歸算法
· 線性回歸誤差原理推導
· 目標函數求解
· 邏輯回歸原理
· 梯度下降實例
· 梯度下降原理
·NumPy數據結構
· NumPy基本操作
· NumPy矩陣屬性
· NumPy矩陣操作
· NumPy常用函數
·Pandas數據讀取
· Pandas數據預處理
· Pandas常用函數
· Pandas-Series結構
·Matplotlib-折線圖
· Matplotlib-子圖操作
· Matplotlib-條形圖與散點圖
· Matplotlib-柱形圖與盒圖
· Matplotlib-細節設置
機器學習提升篇
通過項目實操及案例分析鞏固基礎知識，并進一步學習機器學習的
· 科比數據集簡介
· 數據預處理
· 建模
· 案例背景和目標
· 樣本不均衡解決方案
· 下采樣策略
· 交叉驗證
· 模型評估方法
· 正則化懲罰
· 邏輯回歸模型
· 混淆矩陣
· 邏輯回歸閾值對結果的影響
· 模型評估方法
· smote樣本生成策略
· 決策樹概述
· 熵原理形象解讀
· 決策樹構造實例
· 信息增益
· 信息增益率
· 決策樹剪枝
· 隨機森林
· 案例決策樹參數
· 數據介紹
· 數據預處理
· 回歸模型
· 隨機森林模型
· 特征選擇
· 支持向量機要解決的問題
· 支持向量機求解目標
· 支持向量機目標函數求解
· 支持向量機求解例子
· 支持向量的作用
· 軟間隔支持向量機
· 核函數變換
機器學習智能篇
學習如何搭建機器神經網絡，實現機器中最基礎的智能——識別
神經網絡基礎
· 深度學習概述
· 挑戰與常規套路
· 用K近鄰來進行分類
· 超參數與交叉驗證
· 線性分類
· 損失函數
· 正則化懲罰項
· Softmax分類器
· 最優化形象解讀
· 最優化問題細節
· 反向傳播
· 神經網絡架構-整體架構
· 神經網絡架構-實例演示
· 神經網絡架構-過擬合解決方案
· 神經網絡架構-感受神經網絡的強大
· 安裝TensorFlow
· 變量
· 變量練習
· 線性回歸模型
· 邏輯回歸迭代
· 神經網絡模型
· 邏輯回歸迭代
· 完成神經網絡
· 卷積神經網絡參數
· 神經網絡模型概述
· TensorFlow參數
· 卷積簡介
· 構造網絡結構
· 訓練網絡模型
· PCA問題
· PCA降維實例
· SVD原理
· SVD推薦系統
· 聚類算法
· Adaboost集成算法
· 特征工程
· 特征工程2
