机器学习技术已经逐步地应用到新兴互联网企业(如电子商务网站、搜索引擎、社交网站、互联网广告服务提供商等)、银行金融证券企业、电信运营等行业,给这些行业带来了一定的数据价值增值作用。
本课程主要讲解机器学习的各种算法模型,使用场景及优缺点,同时通过实战实验与实际业务的场景相结合,让学员掌握机器学习算法的常用工具、训练方法、机器学习模型评估方法及选择策略。
本次课程的算法实现以Python语言为程序代码,要求学员具备Python基础,讲师会提供培训过程中用到的数据集和Python示例代码。
时间 | 主题 | 知识点 |
第一天 | 1. 机器学习概述 | (1) 机器学习基础 (2) 机器学习方式 (3) 有监督、无监督和半监督 (4) 机器学习算法方式 |
2. 四大类机器学习模型与实现 | (1) 分类模型:识别问题,用户分级 (2) 聚类模型:细分问题、异常处理问题 (3) 关联模型:交叉推广问题 (4) 回归模型:动态定价,逾期与违约预测 | |
3. 机器学习项目的构建过程和机器学习工具 | (1) 机器学习项目的实现方式:Python准备 (2) 机器学习项目的组织结构 (3) 机器学习过程模型:训练建模、模型评估 (4) 成果发布:模型发布 (5) 机器学习工具原理 (6) 机器学习工具操作 | |
第二天 | 4. 线性回归模型及应用实践 | (1) 线性回归的算法原理及实现 (2) 线性回归算法的应用场景 (3) 线性回归的Python训练建模与预测应用 (4) 线性回归操作实验安排:Python实现 |
5. 逻辑回归模型及应用实践 | (1) 逻辑回归模型的算法原理及实现 (2) 逻辑回归的应用场景 (3) 逻辑回归的参数调优 (4) 逻辑回归的Python训练建模与预测应用 (5) 逻辑回归操作实验安排:Python实现 | |
6. 决策树模型及应用实践 | (1) 决策树算法原理及实现思路 (2) 决策树算法应用场景 (3) 决策树算法的参数调优 (4) 决策树模型的Python训练建模与预测应用 (5) 决策树操作实验安排:Python实现 | |
7. SVM支持向量机模型及应用 | (1) SVM算法原理及实现 (2) SVM应用场景 (3) SVM的参数调优与核函数 (4) SVM的Python训练建模与预测应用 (5) SVM操作实验安排:Python实现 | |
8. 随机森林模型及应用 | (1) 随机森林的思路和思想 (2) 随机森林的应用场景 (3) 随机森林的参数调优 (4) 随机森林算法的集成应用 (5) 随机森林的Python训练建模与预测应用 (6) 随机森林操作实验安排:Python实现 | |
第三天 | 9. xgboost/GBDT模型 | (1) xgboost/GBDT算法思想 (2) xgboost/GBDT在分类预测中的优势和场景 (3) xgboost实现GB和DT的高效调优 (4) xgboost/GBDT的Python应用操作 (5) xgboost/GBDT操作实验安排:Python实现 |
10. 神经网络模型:CNN和RNN | (1) 神经网络算法模型的原理及实现 (2) 常见的6个神经网络算法模型原理 (3) 深度学习框架TensorFlow实现及应用 (4) CNN深度学习算法的实现及应用 (5) 基于TensorFlow和keras的深度学习模型的训练、评估和预测 (6) 文本分类识别操作实验安排:Python实现 | |
11. 模型评估方法和模型选择, 大作业操作案例 | (1) 不同模型的评价方法指标 (2) 无监督机器学习的模型选择方法 (3) 有监督机器学习的模型选择方法 (4) 样本不平衡问题的处理 (5) 特征工程的问题对算法准确率的帮助 (6) 讲师给定一个数据集,对讲过的内容知识点,用一个项目串联起来实现一个完整的项目 |