Python机器学习算法实战培训课程-企业内训-上海威才企业管理咨询有限公司

课程背景 COURSE BACKGROUND

本课程为高级课程，专注于机器学习算法，原理，以及算法实现及优化。

课程收益 PROGRAM BENEFITS

熟悉常见的机器学习的算法。
掌握机器学习的算法原理，以及数据推导。
学会使用Python来实现机器学习算法，以及优化算法。
掌握scikit-learn扩展库来实现机器学习算法。

课程大纲 COURSE OUTLINE

机器学习基础
机器学习简介
机器学习的种类
监督学习/无监督学习/半监督学习/强化学习
批量学习和在线学习
基于实例与基于模型
机器学习的主要战挑
数据量不足
数据质量差
无关特征
过拟合/拟合不足
机器学习任务
监督：分类、回归
无监督：聚类、降维、关联规则
机器学习基本过程
模型评估指标
回归：R^2, MAE/MSE/RMSE/MAPE
分类：Acc,Recall,Precision,F1，ROC曲线,AUC
模型评估方法
训练集/验证集
交叉验证
过拟合评估
过拟合检验
过拟合解决方法：正则化
正则化：
L1正则项
L2正则项
模型参数优化
交叉验证
网格搜索GridSearchCV
随机搜索RandomizeSearchCV
机器学习常用库

回归任务算法
线性回归模型
一元线性回归
多元线性回归
线性回归算法
损失函数
普通最小二乘法OLS
欠拟合解决方法
多项式回归
过拟合的优化算法：正则化
岭回归（Ridge）
套索回归Lasso
ElasticNet回归
各种算法的适用场景
超参优化
大规模数据集回归：迭代算法
随机梯度下降
批量梯度下降
小批量梯度下降
梯度算法的关键问题
逻辑回归
逻辑回归模型
逻辑回归的算法
原理
数学推导
正则项处理
其它优化：
迭代样本的随机选择
变化的学习率
求解算法与惩罚项的关系
多分类处理
ovo
ovr
线性判别分析
判别分析简介
基本思想
判别分析算法
数学推导
类间/类内散度矩阵
多分类处理
迭代样本的随机选择
变化的学习率
求解算法与惩罚项的关系

支持向量机
支持向量机简介
作用：回归、分类、异常检测
适用场景
线性SVM分类
基本原理
支持向量
SMO算法
非线性SVM分类
常用核函数
线性核函数
多项式核
高斯RBF核
核函数的选择原则
线性不可分处理：松弛系数
决策树
决策树模型
构建决策树的三个关键问题
决策树的训练
决策树的可视化
决策树常用算法
ID5
CART
正则化参数
决策树预测的基本步骤

神经网络
神经网络模型
工作原理：加法器、激活函数
适用场景
神经网络的建立步骤
BP算法实现
多层感知器MLP
隐藏层的数量
神经元的个数
朴素贝叶斯
贝叶斯简介
条件概率
常见贝叶斯网络
朴素贝叶斯
算法实现
连续变量处理：高斯分布
拉普拉斯修正

集成算法
分类模型优化思想
优化框架
Bagging
Boosting
Bagging集成
原理
随机森林
Boosting集成
原理
AdaBoost
无监督算法

结束：课程总结与问题答疑。