Day1初識(shí)機(jī)器學(xué)習(xí)

上午

概述入門

數(shù)據(jù)預(yù)處理

概述（第一天——1）

1、 概念與術(shù)語（人工智能、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)）

2、 數(shù)據(jù)挖掘的對(duì)象

3、 數(shù)據(jù)挖掘的關(guān)鍵技術(shù)

4、 知識(shí)的表達(dá)

5、 Python的安裝

數(shù)據(jù)預(yù)處理（第一天——2）

1、 數(shù)據(jù)清理

2、 規(guī)范化

3、 模糊集

4、 粗糙集

5、 無標(biāo)簽時(shí)：PCA

6、 有標(biāo)簽時(shí)：Fisher線性判別

數(shù)據(jù)壓縮（DFT、小波變換）

案例實(shí)踐：

1、 python安裝

2、 Tensorflow安裝

3、 PCA的實(shí)驗(yàn)

4、 DFT的實(shí)驗(yàn)

Day1初識(shí)機(jī)器學(xué)習(xí)

下午

回歸與時(shí)序分析

決策樹

回歸與時(shí)序分析 （第一天——3）

1、 線性回歸

2、 非線性回歸

3、 logistics回歸

4、 平穩(wěn)性、截尾與拖尾

5、 ARIMA

決策樹（第一天——4）

1、 分類和預(yù)測

2、 熵減過程與貪心法

3、 ID3

4、 C4.5

5、 其他改進(jìn)方法

決策樹剪枝

案例實(shí)踐：

1、 回歸的實(shí)驗(yàn)

2、 ARIMA預(yù)測實(shí)驗(yàn)

3、 決策樹的實(shí)驗(yàn)

Day2機(jī)器學(xué)習(xí)中的典型算法

上午

聚類

關(guān)聯(lián)規(guī)則

樸素貝葉斯與KNN

聚類（第二天——1）

1、 監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)

2、 K-means與k-medoids

3、 層次的方法

4、 基于密度的方法

5、 基于網(wǎng)格的方法

6、 孤立點(diǎn)分析

關(guān)聯(lián)規(guī)則（第二天——2）

1、 頻繁項(xiàng)集

2、 支持度與置信度

3、 提升度

4、 Apriori性質(zhì)

5、 連接與剪枝

樸素貝葉斯與KNN（第二天——3）

1、 KNN

2、 概率論基礎(chǔ)：條件概率、聯(lián)合概率、分布、共軛先驗(yàn)。

3、 “概率派”與“貝葉斯派”

4、 樸素貝葉斯模型

案例實(shí)踐：

1、 鳶尾花數(shù)據(jù)的聚類

2、 超市購物籃——關(guān)聯(lián)規(guī)則分析

3、 樸素貝葉斯案例：皮馬印第安人患糖尿病的風(fēng)險(xiǎn)

Day2機(jī)器學(xué)習(xí)中的典型算法

下午

極大似然估計(jì)與EM算法

性能評(píng)價(jià)指標(biāo)

極大似然估計(jì)與EM算法（第二天——4）

1、 極大似然估計(jì)

2、 對(duì)數(shù)似然函數(shù)

3、 EM算法

性能評(píng)價(jià)指標(biāo)（第二天——5）

1、 準(zhǔn)確率；精確率、召回率；F1

2、 真陽性率、假陽性率

3、 混淆矩陣

4、 ROC與AUC

5、 對(duì)數(shù)損失

6、 Kappa系數(shù)

7、 回歸：平均絕對(duì)誤差、平均平方誤差

8、 聚類：蘭德指數(shù)、互信息

9、 k折驗(yàn)證

案例實(shí)踐：

1、 正態(tài)分析的參數(shù)估計(jì)

2、 EM算法應(yīng)用案例：雙正態(tài)分布的參數(shù)估計(jì)

3、 繪制ROC并計(jì)算AUC、F1

4、 繪制擬合曲線，計(jì)算擬合優(yōu)度

Day3神經(jīng)網(wǎng)絡(luò)專題

上午

BP神經(jīng)網(wǎng)絡(luò)

模擬退火算法與其他神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)   （第三天——1）

1、 人工神經(jīng)元及感知機(jī)模型

2、 前向神經(jīng)網(wǎng)絡(luò)

3、 sigmoid

4、 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

5、 誤差反向傳播

模擬退火算法與其他神經(jīng)網(wǎng)絡(luò) （第三天——2）

1、 模擬退火算法

2、 Hopfield網(wǎng)絡(luò)

3、 自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM）

4、 受限布爾茲曼機(jī)

案例實(shí)踐：

1、 可以手算的神經(jīng)網(wǎng)絡(luò)

2、 神經(jīng)網(wǎng)絡(luò)模擬一個(gè)圓錐曲面

3、 “貨郎擔(dān)”問題（模擬退火算法）

4、 識(shí)別破損的字母（Hopfield網(wǎng)絡(luò)）

5、 聚類的另一種解法（SOM）

Day3神經(jīng)網(wǎng)絡(luò)專題

下午

機(jī)器學(xué)習(xí)中的最優(yōu)化方法

遺傳算法

機(jī)器學(xué)習(xí)中的最優(yōu)化方法（第三天——3）

1、 參數(shù)學(xué)習(xí)方法

2、 損失函數(shù)（或目標(biāo)函數(shù)）

3、 梯度下降

4、 隨機(jī)梯度下降

5、 牛頓法

6、 擬牛頓法

遺傳算法 （第三天——4）

1、 種群、適應(yīng)性度量

2、 交叉、選擇、變異

3、 基本算法

案例實(shí)踐：

1、 隨機(jī)梯度下降的例子

2、 牛頓法求Rosenbrock(香蕉函數(shù))的極值

3、 “同宿舍”問題：遺傳算法

Day4機(jī)器學(xué)習(xí)進(jìn)階

上午

支持向量機(jī)

隱馬爾科夫模型

支持向量機(jī) （第四天——1）

1、 統(tǒng)計(jì)學(xué)習(xí)問題

2、 支持向量機(jī)

3、 核函數(shù)