課程簡介
隨著大數(shù)據(jù)時代的快速到來，以及大數(shù)據(jù)在生產(chǎn)生活中迅速普及與應用，為社會、為企業(yè)創(chuàng)造了巨大價值。如何讓大數(shù)據(jù)發(fā)揮價值，為企業(yè)創(chuàng)造利潤，為企業(yè)戰(zhàn)略決策提供依據(jù)，幫助企業(yè)在商業(yè)競爭中規(guī)避風險呢？其中數(shù)據(jù)挖掘技術(shù)則是大數(shù)據(jù)技術(shù)中最為重要的一部分，能夠充分發(fā)揮大數(shù)據(jù)的價值，因此數(shù)據(jù)挖掘、統(tǒng)計學、機器學習、深度學習、人工智能等被越來越多的企業(yè)重視與應用。所以大數(shù)據(jù)的快速發(fā)展，帶動了的數(shù)據(jù)處理、統(tǒng)計分析、數(shù)據(jù)挖掘、機器學習、人工智能等數(shù)據(jù)科學的快速發(fā)展，因此數(shù)據(jù)科學技術(shù)是企業(yè)在商業(yè)競爭中必須掌握的技術(shù)。
本課程是尹老師多年從事數(shù)據(jù)挖掘工作經(jīng)驗的總結(jié)和歸納，課程安排是以實際業(yè)務案例為切入點，以講故事的方式，使學員從應用層面到理論層面系統(tǒng)的學習數(shù)據(jù)處理技術(shù)，包括機器學習、深度學習、統(tǒng)計學知識，使學員深入理解機器學習。通過本課程的學習，學員即可以正確的分析企業(yè)的數(shù)據(jù)，為管理者、決策層提供數(shù)據(jù)支撐。
本課程重點講解機器學習、深度學習、統(tǒng)計學基礎知識，并對機器學習算法原理、實現(xiàn)、應用案例進行深入剖析。
目標收益
1、使學員深入理解機器學習、深度學習的基礎概念、技術(shù)、思維模式；
2、使學員深入理解機器學習、深度學習算法原理、具備機器學習算法的使用能力；
3、使學員深入理解數(shù)據(jù)收集、數(shù)據(jù)挖掘、信息提取的能力；
4、使學員深入理解繪制數(shù)據(jù)可視化圖形的能力；
5、深入剖析主流的機器學習、深度學習算法；
6、介紹統(tǒng)計學基礎知識；
7、深入剖析模型的構(gòu)建、特征提取、指標體系；
8、通過案例故事，深入剖析機器學習、深度學習的應用，交流數(shù)據(jù)挖掘的經(jīng)驗；
9、淺顯易懂的方式介紹人工智能、深度學習、人工神經(jīng)網(wǎng)絡等知識點；
培訓對象
1、本課程適合于機器學習和統(tǒng)計學的初級學習者；
2、對機器學習、數(shù)據(jù)分析、統(tǒng)計學感興趣的人士；
課程大綱
| 機器學習概述 |
1、什么是機器學習？ 2、計算機在學習什么內(nèi)容？ 3、計算機能不能學習算法、模型？ 4、從哪里學習？ 5、學習的方法是什么？ 6、學習的目的是什么？ 7、損失函數(shù) a)最小二乘法 b)極大似然 c)梯度下降 8、樣本集、訓練集、驗證集、測試集 9、二元分類、多元分類 10、導數(shù)、偏導、鏈式求導 11、案例剖析：制定企業(yè)下一年銷售計劃為案例，介紹機器學習的基礎知識，用回歸模型預測未來銷售量以指導企業(yè)計劃的制定； 12、機器學習的過程 a)收集數(shù)據(jù) b)預處理數(shù)據(jù) c)探知數(shù)據(jù) d)分析數(shù)據(jù) e)選擇模型 f)訓練模型 g)評估模型 h)發(fā)布模型 |
| 機器學習模型類別介紹 |
1、機器學習算法分類 a)監(jiān)督式學習 b)非監(jiān)督式學習 c)半監(jiān)督式學習 d)強化學習 2、聚類算法解析 3、分類算法解析 4、協(xié)同過濾算法解析 5、關(guān)聯(lián)規(guī)則算法 6、精準推薦算法 7、訓練數(shù)據(jù)集與評分 8、神經(jīng)網(wǎng)絡 9、深度學習 10、人工智能 |
| 統(tǒng)計學基本概念 |
1、統(tǒng)計學知識 2、統(tǒng)計學（statistics） 3、統(tǒng)計學基礎 a)大數(shù)據(jù)定理 b)中心極限定理 4、統(tǒng)計學分類 a)描述統(tǒng)計學（Descriptive Statistics） b)推斷統(tǒng)計學（Inferential Statistics） 5、統(tǒng)計基本概念 6、變量的度量標準 7、統(tǒng)計數(shù)據(jù)的計量尺度 a)定性變量 b)離散變量 c)連續(xù)變量 d)多元變量 8、常用基本統(tǒng)計量 9、數(shù)據(jù)分布特征 a)正態(tài)分布 b)均勻分布 c)伯努利分布 d)二項分布 e)泊松分布 f)指數(shù)分布 10、偏度和峰度 11、隨機數(shù)生成 12、概率分布 13、頻率分布表 14、頻率分布直方圖 15、集中趨勢的描述指標 16、離散趨勢的描述指標 17、指標維度 18、單變量數(shù)據(jù)分析 19、雙變量數(shù)據(jù)分析 20、多變量數(shù)據(jù)分析 21、假設檢驗 22、檢測數(shù)據(jù)集的分布 23、統(tǒng)計模擬和數(shù)據(jù)抽樣 24、隨機抽樣 25、案例剖析：統(tǒng)計模擬與隨機抽樣 26、蒙特卡羅模擬 27、箱線圖 28、用蒙特卡羅方法計算圓周率π 29、案例：蒙特卡羅模擬的應用 實操：實現(xiàn)蒙特卡羅求圓周率 |
| 線性回歸模型 |
1、回歸與分類 2、回歸分析概念 3、線性回歸模型及其參數(shù)估計 4、一元線性回歸 5、一元線性回歸模型 6、一元線性回歸模型求解參數(shù) 7、損失函數(shù) 8、求偏導 9、線性模型評估方法 10、回歸方程的顯著性檢驗 11、殘差分析 12、誤差項的正態(tài)性檢驗 13、殘差圖分析 14、過擬合 15、過擬合原因分析 16、統(tǒng)計推斷與預測 17、回歸模型的選取 18、窮舉法 19、逐步回歸法 20、嶺回歸分析 21、Python一元線性回歸 22、金融案例：Python一元線性回歸模型檢驗 23、多元線性回歸概述 24、多元線性回歸模型 25、金融案例：Python多元線性回歸實現(xiàn) 26、非線性回歸 a)雙曲線函數(shù) b)冪函數(shù) c)指數(shù)函數(shù) d)對數(shù)函數(shù) e)S型曲線 27、案例：非線性回歸預測市場趨勢案例 28、課堂實操：Python非線性回歸實現(xiàn) 29、回歸模型應用場景 |
| 邏輯回歸模型 |
1、Logistic函數(shù) 2、繪制Logistic曲線 3、Logistic回歸模型介紹 4、Logistic回歸模型應用場景介紹 5、Logistic回歸模型原理 6、Logistic回歸模型優(yōu)化 7、Logistic回歸模型保存 8、Logistic回歸模型評估 9、案例：用戶離網(wǎng)預測 案例：信用卡違約預測 |
| 支持向量機 |
1、什么是支持向量機 2、支持向量機算法應用場景介紹 3、支持向量機算法原理 4、支持向量機算法評估 5、支持向量回歸算法介紹 6、二分類模型 7、超平面 8、對偶問題 9、線性可分支持向量機 10、"決策面"方程 11、"分類間隔"方程 12、約束條件 13、拉格朗日函數(shù) 14、非線性支持向量機 15、核函數(shù) a)線性核 b)多項式核 c)高斯核 d)拉普拉斯核 e)sigmiod核 16、線性支持向量機（軟間隔支持向量機） 17、松弛變量 18、支持向量回歸算法優(yōu)化 19、支持向量回歸模型保存 20、案例：采用支持向量機算法由汽車行駛軌跡預測道路寬度 |
| 機器學習常用距離 |
1、歐氏距離 2、曼哈頓距離 3、切比雪夫距離 4、閔可夫斯基距離 5、標準化歐氏距離 6、馬氏距離 7、夾角余弦 8、漢明距離 9、杰卡德距離 & 杰卡德相似系數(shù) 10、相關(guān)系數(shù) & 相關(guān)距離 11、信息熵 |
| 決策樹模型 |
1、什么是決策樹模型 2、決策樹模型介紹 3、決策樹構(gòu)成要素 4、決策樹算法原理 5、決策樹法的決策過程 6、決策樹算法應用場景 7、決策樹算法 8、特征選擇 9、香農(nóng)熵 10、計算經(jīng)驗熵 11、信息增益 12、計算信息增益 13、決策樹生成 14、修剪 a)預剪枝 b)后剪枝 15、決策樹構(gòu)建 16、ID3算法 17、C4.5算法 18、CART算法 19、決策樹算法優(yōu)化 20、決策樹可視化 21、使用決策樹執(zhí)行分類 22、決策樹的存儲 23、隨機森林 24、案例：疾病是否復發(fā)預測 |
| 隨機森林模型 |
1、什么是隨機森林 2、隨機森林模型介紹 3、隨機森林模型原理 4、隨機森林模型的優(yōu)點 5、隨機森林模型的應用場景 6、隨機森林模型樹的構(gòu)造方法 7、隨機森林回歸模型 8、信息、熵以及信息增益 9、決策樹與隨機森林的區(qū)別 10、隨機森林回歸模型優(yōu)化 11、隨機森林回歸模型保存 12、隨機森林算法重要的超參數(shù) 13、提高模型預測準確性 14、加快模型計算速度 15、案例：銀行貸款違約預測 |
| xgboost/GBDT模型 |
1、什么是xgboost/GBDT 2、xgboost/GBDT模型介紹 3、xgboost/GBDT模型原理 4、xgboost/GBDT模型的優(yōu)點 5、xgboost/GBDT模型的應用場景 6、xgboost與gdbt的區(qū)別 7、xgboost/GBDT模型優(yōu)化 8、xgboost/GBDT模型保存 9、懲罰項 10、案例：xgboost應用案例 |
| 聚類模型 |
1、聚類介紹 2、聚類算法應用場景 3、聚類算法應用案例 4、樣品間相近性的度量 5、快速聚類法 6、快速聚類法的步驟 7、用Lm距離進行快速聚類 8、譜系聚類法 9、類間距離及其遞推公式 10、譜系聚類法的步驟 11、變量聚類 12、K-Means(K均值)聚類 13、均值漂移聚類 14、基于密度的聚類方法(DBSCAN) 15、用高斯混合模型（GMM）的最大期望（EM）聚類 16、凝聚層次聚類 17、圖團體檢測(Graph Community Detection) 18、案例：Python語言聚類實現(xiàn)及繪圖 19、案例：Kmeans應用案例剖析 20、課堂實操：Python語言實現(xiàn)基于聚類的圖像分割方法 |
| 模型評估 |
1、查準率 2、查全率 3、訓練集 4、測試集 5、訓練誤差1、查準率 2、查全率 3、訓練集 4、測試集 5、訓練誤差 |
| 其他挖掘算法 |
1、協(xié)同過濾算法解析 推薦引擎 |
| 關(guān)聯(lián)規(guī)則 |
1、支持度與置信度 2、關(guān)聯(lián)規(guī)則挖掘的過程 3、Apriori算法 4、關(guān)聯(lián)規(guī)則案例 5、支持度與置信度計算 6、關(guān)聯(lián)規(guī)則 案例：Python實現(xiàn)購物藍關(guān)聯(lián)規(guī)則分析 |
| 時序模式 |
1、時間序列分析 2、時間序列 3、序列分析的三個階段 案例：Python實現(xiàn)時序模式分析 |
|
機器學習概述 1、什么是機器學習？ 2、計算機在學習什么內(nèi)容？ 3、計算機能不能學習算法、模型？ 4、從哪里學習？ 5、學習的方法是什么？ 6、學習的目的是什么？ 7、損失函數(shù) a)最小二乘法 b)極大似然 c)梯度下降 8、樣本集、訓練集、驗證集、測試集 9、二元分類、多元分類 10、導數(shù)、偏導、鏈式求導 11、案例剖析：制定企業(yè)下一年銷售計劃為案例，介紹機器學習的基礎知識，用回歸模型預測未來銷售量以指導企業(yè)計劃的制定； 12、機器學習的過程 a)收集數(shù)據(jù) b)預處理數(shù)據(jù) c)探知數(shù)據(jù) d)分析數(shù)據(jù) e)選擇模型 f)訓練模型 g)評估模型 h)發(fā)布模型 |
|
機器學習模型類別介紹 1、機器學習算法分類 a)監(jiān)督式學習 b)非監(jiān)督式學習 c)半監(jiān)督式學習 d)強化學習 2、聚類算法解析 3、分類算法解析 4、協(xié)同過濾算法解析 5、關(guān)聯(lián)規(guī)則算法 6、精準推薦算法 7、訓練數(shù)據(jù)集與評分 8、神經(jīng)網(wǎng)絡 9、深度學習 10、人工智能 |
|
統(tǒng)計學基本概念 1、統(tǒng)計學知識 2、統(tǒng)計學（statistics） 3、統(tǒng)計學基礎 a)大數(shù)據(jù)定理 b)中心極限定理 4、統(tǒng)計學分類 a)描述統(tǒng)計學（Descriptive Statistics） b)推斷統(tǒng)計學（Inferential Statistics） 5、統(tǒng)計基本概念 6、變量的度量標準 7、統(tǒng)計數(shù)據(jù)的計量尺度 a)定性變量 b)離散變量 c)連續(xù)變量 d)多元變量 8、常用基本統(tǒng)計量 9、數(shù)據(jù)分布特征 a)正態(tài)分布 b)均勻分布 c)伯努利分布 d)二項分布 e)泊松分布 f)指數(shù)分布 10、偏度和峰度 11、隨機數(shù)生成 12、概率分布 13、頻率分布表 14、頻率分布直方圖 15、集中趨勢的描述指標 16、離散趨勢的描述指標 17、指標維度 18、單變量數(shù)據(jù)分析 19、雙變量數(shù)據(jù)分析 20、多變量數(shù)據(jù)分析 21、假設檢驗 22、檢測數(shù)據(jù)集的分布 23、統(tǒng)計模擬和數(shù)據(jù)抽樣 24、隨機抽樣 25、案例剖析：統(tǒng)計模擬與隨機抽樣 26、蒙特卡羅模擬 27、箱線圖 28、用蒙特卡羅方法計算圓周率π 29、案例：蒙特卡羅模擬的應用 實操：實現(xiàn)蒙特卡羅求圓周率 |
|
線性回歸模型 1、回歸與分類 2、回歸分析概念 3、線性回歸模型及其參數(shù)估計 4、一元線性回歸 5、一元線性回歸模型 6、一元線性回歸模型求解參數(shù) 7、損失函數(shù) 8、求偏導 9、線性模型評估方法 10、回歸方程的顯著性檢驗 11、殘差分析 12、誤差項的正態(tài)性檢驗 13、殘差圖分析 14、過擬合 15、過擬合原因分析 16、統(tǒng)計推斷與預測 17、回歸模型的選取 18、窮舉法 19、逐步回歸法 20、嶺回歸分析 21、Python一元線性回歸 22、金融案例：Python一元線性回歸模型檢驗 23、多元線性回歸概述 24、多元線性回歸模型 25、金融案例：Python多元線性回歸實現(xiàn) 26、非線性回歸 a)雙曲線函數(shù) b)冪函數(shù) c)指數(shù)函數(shù) d)對數(shù)函數(shù) e)S型曲線 27、案例：非線性回歸預測市場趨勢案例 28、課堂實操：Python非線性回歸實現(xiàn) 29、回歸模型應用場景 |
|
邏輯回歸模型 1、Logistic函數(shù) 2、繪制Logistic曲線 3、Logistic回歸模型介紹 4、Logistic回歸模型應用場景介紹 5、Logistic回歸模型原理 6、Logistic回歸模型優(yōu)化 7、Logistic回歸模型保存 8、Logistic回歸模型評估 9、案例：用戶離網(wǎng)預測 案例：信用卡違約預測 |
|
支持向量機 1、什么是支持向量機 2、支持向量機算法應用場景介紹 3、支持向量機算法原理 4、支持向量機算法評估 5、支持向量回歸算法介紹 6、二分類模型 7、超平面 8、對偶問題 9、線性可分支持向量機 10、"決策面"方程 11、"分類間隔"方程 12、約束條件 13、拉格朗日函數(shù) 14、非線性支持向量機 15、核函數(shù) a)線性核 b)多項式核 c)高斯核 d)拉普拉斯核 e)sigmiod核 16、線性支持向量機（軟間隔支持向量機） 17、松弛變量 18、支持向量回歸算法優(yōu)化 19、支持向量回歸模型保存 20、案例：采用支持向量機算法由汽車行駛軌跡預測道路寬度 |
|
機器學習常用距離 1、歐氏距離 2、曼哈頓距離 3、切比雪夫距離 4、閔可夫斯基距離 5、標準化歐氏距離 6、馬氏距離 7、夾角余弦 8、漢明距離 9、杰卡德距離 & 杰卡德相似系數(shù) 10、相關(guān)系數(shù) & 相關(guān)距離 11、信息熵 |
|
決策樹模型 1、什么是決策樹模型 2、決策樹模型介紹 3、決策樹構(gòu)成要素 4、決策樹算法原理 5、決策樹法的決策過程 6、決策樹算法應用場景 7、決策樹算法 8、特征選擇 9、香農(nóng)熵 10、計算經(jīng)驗熵 11、信息增益 12、計算信息增益 13、決策樹生成 14、修剪 a)預剪枝 b)后剪枝 15、決策樹構(gòu)建 16、ID3算法 17、C4.5算法 18、CART算法 19、決策樹算法優(yōu)化 20、決策樹可視化 21、使用決策樹執(zhí)行分類 22、決策樹的存儲 23、隨機森林 24、案例：疾病是否復發(fā)預測 |
|
隨機森林模型 1、什么是隨機森林 2、隨機森林模型介紹 3、隨機森林模型原理 4、隨機森林模型的優(yōu)點 5、隨機森林模型的應用場景 6、隨機森林模型樹的構(gòu)造方法 7、隨機森林回歸模型 8、信息、熵以及信息增益 9、決策樹與隨機森林的區(qū)別 10、隨機森林回歸模型優(yōu)化 11、隨機森林回歸模型保存 12、隨機森林算法重要的超參數(shù) 13、提高模型預測準確性 14、加快模型計算速度 15、案例：銀行貸款違約預測 |
|
xgboost/GBDT模型 1、什么是xgboost/GBDT 2、xgboost/GBDT模型介紹 3、xgboost/GBDT模型原理 4、xgboost/GBDT模型的優(yōu)點 5、xgboost/GBDT模型的應用場景 6、xgboost與gdbt的區(qū)別 7、xgboost/GBDT模型優(yōu)化 8、xgboost/GBDT模型保存 9、懲罰項 10、案例：xgboost應用案例 |
|
聚類模型 1、聚類介紹 2、聚類算法應用場景 3、聚類算法應用案例 4、樣品間相近性的度量 5、快速聚類法 6、快速聚類法的步驟 7、用Lm距離進行快速聚類 8、譜系聚類法 9、類間距離及其遞推公式 10、譜系聚類法的步驟 11、變量聚類 12、K-Means(K均值)聚類 13、均值漂移聚類 14、基于密度的聚類方法(DBSCAN) 15、用高斯混合模型（GMM）的最大期望（EM）聚類 16、凝聚層次聚類 17、圖團體檢測(Graph Community Detection) 18、案例：Python語言聚類實現(xiàn)及繪圖 19、案例：Kmeans應用案例剖析 20、課堂實操：Python語言實現(xiàn)基于聚類的圖像分割方法 |
|
模型評估 1、查準率 2、查全率 3、訓練集 4、測試集 5、訓練誤差1、查準率 2、查全率 3、訓練集 4、測試集 5、訓練誤差 |
|
其他挖掘算法 1、協(xié)同過濾算法解析 推薦引擎 |
|
關(guān)聯(lián)規(guī)則 1、支持度與置信度 2、關(guān)聯(lián)規(guī)則挖掘的過程 3、Apriori算法 4、關(guān)聯(lián)規(guī)則案例 5、支持度與置信度計算 6、關(guān)聯(lián)規(guī)則 案例：Python實現(xiàn)購物藍關(guān)聯(lián)規(guī)則分析 |
|
時序模式 1、時間序列分析 2、時間序列 3、序列分析的三個階段 案例：Python實現(xiàn)時序模式分析 |
近期公開課推薦
