400-888-5228

课程目标

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。

培训大纲

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