课程大纲： Python机器学习学术应用培训
第一部分：机器学习学术应用介绍：
机器学习基本思想
常用机器学习算法模型
机器学习算法库介绍
机器学习在学术领域应用场景
第二部分：算法原理与实战
1、KNN算法：
KNN算法基本原理
常用相似度衡量方法、KNN用于分类和回归
KNN模型参数优化
Python案例：KNN用于鸢尾花数据集分类
2、决策树：
决策树基本原理
决策树分类
决策树用于分类和回归实现
决策树参数优化
Python案例：决策树实现波士顿房价预测
3、线性回归：
线性回归的求解、岭回归、LASSO和弹性网
Python案例：线性回归实现鲍鱼年龄预测
4、逻辑回归：
逻辑回归基本原理
从线性回归到逻辑回归
逻辑回归实现和参数优化
Python案例：逻辑回归实现病马死亡率预测
5、神经网络：
神经网络基础
神经网络中的激活函数
神经网络Python实现与参数调优
Python案例：手写数字识别
6、贝叶斯网络：
贝叶斯分类原理
朴素贝叶斯
贝叶斯模型分类
Python案例：垃圾邮件过滤
7、支持向量机：
支持向量机分类原理
线性SVM和非线性SVM
Python案例：人脸识别
8、随机森林：
决策树与随机森林
随机森林原理
随机森林Python实现与参数调优
Python案例：随机森林用于泰坦尼克沉船预测
9、聚类：
聚类原理
聚类和分类
k-means聚类原理
k-means python实现
Python案例：聚类用于客户价值识别
第三部分：Python机器学习学术应用指导
数据发现与变量创造，预测，因果推断；
文本大数据应用；
基于机器学习的学术论文写作指导
加入高级会员获得助教答疑
