第一天

第1個主題： 什么是Maching Learning介紹（深入理解Maching Learning的思想）（30分鐘）

1、 什么是Maching Learning

2、 Maching Learning到底能學習什么

3、 Maching Learning到底不能學習什么

4、 深度學習

5、 神經(jīng)網(wǎng)絡

6、 人工智能

7、 數(shù)據(jù)挖掘

第2個主題： 數(shù)據(jù)挖掘基礎（介紹數(shù)據(jù)挖掘基礎知識）（30分鐘）

1、 數(shù)據(jù)挖掘的基本任務

2、 數(shù)據(jù)挖掘建模過程

a) 定義挖掘目標

b) 數(shù)據(jù)取樣

c) 數(shù)據(jù)探索

d) 數(shù)據(jù)預處理

e) 數(shù)據(jù)質量與元數(shù)據(jù)管理

f) 挖掘建模

g) 模型評價

3、 大型企業(yè)數(shù)據(jù)挖掘存在的問題剖析

4、 實例分享：馬云預測經(jīng)濟危機案例剖析（10分鐘）

第3個主題： 機器學習算法介紹（典型的大數(shù)據(jù)機器學習算法介紹）（30分鐘）

1、 監(jiān)督式學習

2、 非監(jiān)督式學習

3、 半監(jiān)督式學習

4、 回歸（預測）與分類

5、 決策樹與隨機森林

6、 聚類分析

7、 關聯(lián)規(guī)則

8、 協(xié)同過濾算法解析

9、 關聯(lián)規(guī)則算法

10、 神經(jīng)網(wǎng)絡

11、 深度學習

第4個主題： 回歸與分類（深入剖析數(shù)據(jù)的回歸與分類算法）（90分鐘）

1、 回歸與分類

2、 回歸分析概念

3、 線性回歸模型及其參數(shù)估計

4、 一元線性回歸

5、 一元線性回歸模型

6、 一元線性回歸模型求解參數(shù)

7、 損失函數(shù)

8、 求偏導

9、 回歸方程的顯著性檢驗

10、 殘差分析

11、 誤差項的正態(tài)性檢驗

12、 殘差圖分析

13、 統(tǒng)計推斷與預測

14、 回歸模型的選取

15、 窮舉法

16、 逐步回歸法

17、 嶺回歸分析

18、 Scikit-learn實現(xiàn)一元線性回歸

19、 課堂實操案例：Scikit-learn實現(xiàn)一元線性回歸模型檢驗

20、 多元線性回歸概述

21、 多元線性回歸模型

22、 金融案例：Scikit-learn實現(xiàn)多元線性回歸實現(xiàn)

23、 非線性回歸

a) 雙曲線函數(shù)

b) 冪函數(shù)

c) 指數(shù)函數(shù)

d) 對數(shù)函數(shù)

e) S型曲線

24、 案例：Scikit-learn實現(xiàn)非線性回歸實現(xiàn)

25、 課堂實操案例：Scikit-learn實現(xiàn)非線性回歸實現(xiàn)（時長50分鐘；老師帶領學員一起操作，及學員問題指導員）

第5個主題： Logistic回歸算法剖析與實現(xiàn)（剖析Logistic回歸與其它回歸分析方法）（30分鐘）

1、 Logistic回歸介紹

2、 Logistic函數(shù)

3、 二分類與多分類

4、 Logistic回歸模型

5、 案例：Scikit-learn實現(xiàn)Logistic回歸實現(xiàn)

6、 課堂實操案例：Scikit-learn實現(xiàn)Logistic回歸實現(xiàn)（時長20分鐘；老師帶領學員一起操作，及學員問題指導員）

時間

內容

第二天

第6個主題： 數(shù)據(jù)建模常用距離（深入剖析數(shù)據(jù)建模過程中常用的距離模型）（30分鐘）

1、 數(shù)據(jù)挖掘常用距離

2、 歐氏距離

3、 曼哈頓距離

4、 切比雪夫距離

5、 閔可夫斯基距離

6、 標準化歐氏距離

7、 馬氏距離

8、 夾角余弦

9、 漢明距離

10、 杰卡德距離 & 杰卡德相似系數(shù)

11、 相關系數(shù) & 相關距離

12、 信息熵

第7個主題： 聚類算法剖析（深入剖析聚類算法以及通過Scikit-learn實現(xiàn)聚類算法模型）（60分鐘）

1、 什么是聚類算法

2、 樣品間相近性的度量

3、 快速聚類法

4、 快速聚類法的步驟

5、 用Lm距離進行快速聚類

6、 譜系聚類法

7、 類間距離及其遞推公式

8、 譜系聚類法的步驟

9、 變量聚類

10、 案例：Scikit-learn實現(xiàn)聚類實現(xiàn)及繪圖

11、 案例：kmeans應用案例剖析

12、 課堂實操：kmeans應用案例剖析（時長30分鐘；老師帶領學員一起操作，及學員問題指導員）

第8個主題： 決策樹算法與實現(xiàn)（深入剖析決策樹分析以及通過Scikit-learn實現(xiàn)決策樹模型分析數(shù)據(jù)）（30分鐘）

1、 什么是決策樹

2、 決策樹構成要素

3、 決策樹算法原理

4、 決策樹法的決策過程

5、 決策樹算法

6、 決策樹算法ID3

7、 決策樹算法C4.5

8、 案例：Scikit-learn實現(xiàn)實現(xiàn)決策樹分析

9、 課堂實操：Scikit-learn實現(xiàn)實現(xiàn)決策樹分析（時長30分鐘；老師帶領學員一起操作，及學員問題指導員）

10、 隨機森林

第9個主題： 支持向量機（SVM）算法剖析（深入剖析SVM以及通過Scikit-learn實現(xiàn)SVM模型分析數(shù)據(jù)）（30分鐘）

1、 什么是支持向量機（SVM）

2、 支持向量機（SVM）算法原理

3、 超平面

4、 支持向量（SV）

5、 SVM線性分類器

6、 對偶優(yōu)化

7、 核函數(shù)

8、 容錯

9、 支持向量機（SVM）輸入數(shù)據(jù)格式

10、 支持向量機（SVM）輸出結果解析

11、 課堂實操：Scikit-learn實現(xiàn)鳶尾花SVM特征分類

第10個主題： Scikit-learn機器學習