【课程内容】

• 机器学习基础

本节课程中，你可以学习到机器学习的基础知识，并初步了解一些机器学习可以完成的任务，如分类与回归问题，包括机器学习涉及到的统计分析知识以及模型评估和验证知识。

1. 常见的机器学习场景
2. 机器学习的工具：Python VS R语言
3. 机器学习的一般步骤
4. 如何评估模型优劣

 

• 机器学习常用算法

1.监督学习
l  监督学习是通过已标注过的训练数据来完成分类或回归任务的一类机器学习方法。
在这一部分中，你将学习到回归模型（如线性回归，逻辑回归）+分类模型（如决策树、随机森林、神经网络）。             
2.无监督学习
当数据样本没有标签的情况下，无监督学习是其解决问题的最佳方案。在这一部分中，你将学习聚类，降维等无监督学习算法。
 
第三部分 实战案例
在这部分课程中，你将在老师的带领下挑战三大经典实战案例：
案例一：零售顾客细分案例
【工具： R语言】  
顾客细分（Customer segmentation）是银行、零售、电信、互联网等行业最常用的场景之一。课程将通过真实数据完整讲解如何通过聚类算法进行顾客细分并指导如何进行商业落地。
 
案例二：时间序列案例：预测比特币价格+预测口碑店家销售额(天池数据竞赛题目)【工具： Python】
时间序列数据是最常见的数据类型之一。本课程将采用最新的深度学习算法：RNN、LSTM 算法对比特币价格进行预测。
销售额预测是各类大赛最常见的题目也是非常具有商业价值的问题，课程将采用XGboost、GBDT等算法对销售额进行预测。
 
案例三.猫狗图片识别（Kaggle比赛经典题目）【工具：Python】
图像识别问题也是机器学习的经典应用场景。本课程将会采用经典统计学分类模型以及深度学习CNN模型进行图像分类，并比较其优劣。