Python大数据与人工智能（学术）

课程亮点：

深度原理剖析+项目实战。朝九晚九全程跟班答疑、一对一督学、定期直播串讲、五分钟内有问必答、出勤率和进度监督、作业与测试

学习目标：

1：掌握主流机器学习算法； 2：实现使用机器学习算法解决实际问题的思路和能力； 3：通过案例的讲解，真正实现学校授课与实战。

课程内容：

01章机器学习入门介绍（1小时）

01-01什么是机器学习

01-02机器学习中的名词说明：类型、字段、特征、标签等

01-03机器学习中的基本概念：分类、预测、回归；有监督、无监督；模型效果、计算速度；可解释性、泛化能力等

01-04推荐工具书

02章scikit-learn入门：Scikit-Learn库简介（0.5小时）

03章KNN-最近邻分类算法：以电影分类为例（1.5小时）

03-01模型建立基本思路

03-02KNN原理基础及其实现： KNN原理基础距离的确认：欧几里得距离、马曼哈顿距离、闵可夫斯基距离； KNN的scikit-learn实现：模型的构建与评估

03-03模型优化：学习曲线、交叉验证

03-04模型评价与总结

04章决策树算法：泰坦尼克幸存者预测为例（3小时）

04-01决策树基本原理

04-02决策树的scikit-learn实现：八个参数（Criterion、两个随机性相关的参数、五个剪枝参数）、一个属性、四个接口）解析

04-03分类模型的评估指标（混淆矩阵原理、scikit-learn中的混淆矩阵）

04-04实例：泰坦尼克号幸存者的预测（数据导入、数据处理、模型构建与评估、利用混淆矩阵调参）

05章随机森林算法：以乳腺癌预测为例（3小时）

05-01随机森林概述：集成算法概述Bagging vs Boosting、集成算法的认识

05-02随机森林分类器的实现：重要参数、重要属性和接口

06章K-Means聚类算法：以电商用户画像为例（3小时）

06-01聚类算法概述：聚类VS分类

06-02KMeans原理分析

06-03KMeans的scikit-learn实现（模型构建与评估（轮廓系数）、重要参数解析、实例：根据轮廓系数选择簇）

07章关联规则算法：啤酒与尿布关联规则分析（2小时）

07-01关联规则概述：频繁项集的产生与关联发现

07-02Apriori算法原理：先验原理

07-03使用Apriori算法来发现频繁项集（生成候选项集（函数的构建与封装）、项集迭代函数）

08章线性回归模型在数据分析领域的应用：以房价预测为例（1小时）

09章逻辑回归：以信用卡反欺诈模型为例（3小时）

09-01逻辑回归概述：模型参数、sigmoid函数、逻辑回归的返回值解析

09-02逻辑回归的特点：模型拟合效果、计算速度、返回值的可解释型

09-03逻辑回归模型的构建与优化： 认识逻辑回归的损失函数； 重要参数解析； 梯度下降求解最小损失函数参数值

10章SVM支持向量机概述、应用及scikit-leaern实现（1小时）

11章分类模型的评估指标（2小时）

12章朴素贝叶斯算法：以文本分类为例（3小时）

12-01朴素贝叶斯概述

12-02应用：文本分类的实现