Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

https://github.com/RedstoneWill/MachineLearningInAction-Camp


https://github.com/RedstoneWill/MachineLearningInAction-Camp

Last synced: 8 days ago
JSON representation

Lists

README 

        
# 《机器学习实战》训练营



## 课程资料



- 《机器学习实战》书籍：[英文版](https://pan.baidu.com/s/1rVWUcPZscdE27lBQwTpoBA)，[中文版](https://pan.baidu.com/s/1a1wN3RKHQFP8GFKywVaHwQ)



- [ApacheCN](http://ml.apachecn.org/mlia/)



- [廖雪峰 Python3 教程](https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000)



- 李航《统计学习方法》(链接：https://pan.baidu.com/s/1MSx407RuPCJt5KSej0Yqlg 密码：h74l)



- 周志华《机器学习》（链接：https://pan.baidu.com/s/1wyqhvJHkI1zHph8RRsm9iw 密码：1475）



- [机器学习该怎么入门？](https://www.zhihu.com/question/20691338/answer/446610161)



## 课程安排



**总课时：12 周**



基础：第 1 章



分类： 第 1～7 章



预测：第 8～9 章



无监督式学习：第 10 章



降维与分布式：第 13～14 章



### 第一周



**0 自测与比赛**



- 0.1 机器学习笔试100题



- 0.2 天池比赛流程解析



**1 机器学习基础**



- 1.1 Python 基础知识，Numpy、pandas、Matplotlib 等库的简介



- 1.2 开发环境的搭建：Python3 + Anaconda + Jupyter Notebook



- 1.3 Jupyter Notebook 使用简介



**2 k-近邻算法**



- 2.1 k-近邻算法概述



- 2.2 示例：使用 k-近邻算法改进网站的配对效果



- 2.3 示例：手写识别系统



### 第二周



**3 决策树**



- 3.1 决策树的构造



- 3.3 测试和存储分类器



- 3.4 示例：使用决策树预测隐形眼镜类型



### 第三周



**4 基于概率论的分类方法：朴素贝叶斯**



- 4.1 基于贝叶斯决策理论的分类方法



- 4.2 条件概率



- 4.3 使用条件概率来分类



- 4.4 使用朴素贝叶斯进行文档分类



- 4.5 使用 Python 进行文本分类



- 4.6 示例：使用朴素贝叶斯过滤垃圾邮件



### 第四周



**5 Logistic回归**



- 5.1 基于 Logistic 回归和 Sigmoid 函数的回归



- 5.2 基于最优化方法的最佳回归系数确定



- 5.3 示例：从疝气病症预测病马的死亡率



### 第五周



- 天池o2o预测赛（初级）



### 第六周



**6 支持向量机**



- 6.1 基于最大间隔分隔数据



- 6.2 寻找最大间隔



- 6.3 SMO 高效优化算法



- 6.4 利用完整 Platt SMO 算法加速优化



- 6.5 在复杂数据上应用核函数



- 6.6 手写识别问题



### 第七周



**7 利用 AdaBoost 元算法提高分类性能**



- 7.1 基于数据 多重抽样的分类器



- 7.2 训练算法：基于错误提升分类器的性能



- 7.3 基于单层决策树构建弱分类器



- 7.4 完整 AdaBoost 算法的实现



- 7.5 测试算法：基于 AdaBoost 的分类



- 7.6 示例：在一个难数据集上应用 AdaBoost



- 7.7 非均衡分类问题



### 第八周



**8 预测数值型数据：回归**



- 8.1 用线性回归找到最佳拟合直线



- 8.2 局部加权线性回归



- 8.3 示例：预测鲍鱼的年龄



- 8.4 缩减系数来“理解”数据



- 8.5 权衡偏差和方差



### 第九周



**9 树回归**



- 9.1 复杂数据的局部性建模



- 9.2 连续和离散型特征的树的构建



- 9.3 将 CART 算法用于回归



- 9.4 树减枝



- 9.5 模型树



- 9.6 示例：树回归于标准回归的比较



### 第十周



- 天池o2o预测赛（进阶）



### 第十一周



**10 利用 K-均值聚类算法对未标注数据分组**



- 10.1 K-均值聚类算法



- 10.2 使用后处理来提高聚类性能



- 10.3 二分 K-均值算法



- 10.4 示例：对地图上的点进行聚类



### 第十二周



**13 利用PCA来简化数据**



- 13.1 降纬技术



- 13.2 PCA



- 13.3 示例：利用 PCA 对半导体制造数据降维



**14 利用SVD简化数据**



- 14.1 SVD 的应用



- 14.2 矩阵分解



- 14.3 利用 Python 实现 SVD



- 14.4 基于协调过滤的推荐引擎



- 14.5 示例：餐馆菜肴推荐引擎



- 14.6 示例：基于 SVD 的图像压缩