時間

內容

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、 神經網絡

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、 神經網絡

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機器學習庫概述（深入理解Scikit-learn架構、實現(xiàn)原理及特征）（30分鐘）

1、 Scikit-learn概述

2、 Scikit-learn發(fā)展歷史

3、 Scikit-learn算法介紹

4、 Scikit-learn架構剖析

5、 Scikit-learn機器學習算法剖析

6、 數(shù)據(jù)類型

7、 基本統(tǒng)計算法

8、 分類與回歸

9、 協(xié)同過濾

10、 聚類

11、 降維

12、 特征提取與轉換

13、 頻繁模式挖掘

14、 評價指標

15、 Scikit-learn編程

16、 Scikit-learn APIs介紹

17、 Scikit-learn機器學習算法應用實戰(zhàn)

18、 Scikit-learn實戰(zhàn)案例：數(shù)據(jù)聚類分析案例剖析

時間

內容

第三天

第11個主題： Scikit-learn協(xié)同過濾算法剖析與實踐（深入理解Scikit-learn Collaborative Filtering算法的實現(xiàn)原理及開發(fā)實戰(zhàn)）（30分鐘）

1、 協(xié)同過濾

2、 顯式與隱式反饋

3、 正則化參數(shù)的尺度

4、 歐幾里德距離（Euclidean Distance）

5、 皮爾遜相關系數(shù)（Pearson Correlation Coefficient）

6、 Cosine 相似度（Cosine Similarity）

7、 Tanimoto 系數(shù)（Tanimoto Coefficient）

第12個主題： 協(xié)同過濾應用實戰(zhàn)（深入剖析通過協(xié)同過濾算法實現(xiàn)個性化精準推薦，精準挖掘客戶需求）（60分鐘）

1、 個性化推薦的理論依據(jù)

2、 個性化推薦的價值

3、 個性化推薦能達到的目的

4、 個性化推薦的原則

5、 個性化推薦技術發(fā)展史

6、 個性化推薦的相關技術

7、 基于用戶的常用推薦算法

8、 基于用戶的協(xié)同過濾推薦

9、 案例剖析：挖掘客戶需求大數(shù)據(jù)推薦案例

10、 推薦引擎

11、 協(xié)同過濾的錯誤用法案例剖析