学习本课程，你将会有以下收获：

可掌握核心能力：

1、掌握机器学习中处理数据的方法

2、理解经典的机器学习算法原理

3、掌握机器学习中工作的具体流程

可解决的现实问题：

1、把实际工作、生活中遇到的问题转换为可以用机器学习解决的模型

2、实现针对不同问题，选择不同算法模型，同时在该模型的基础上，对该算法进行调优

课程亮点：

1，课程由浅到深，由原理到实践，适合零基础入门学习。

2，结合实际案例，培养解决实际问题的能力。

课程内容：

1. 了解人工智能基本概念

2. 掌握matplotlib的基本使用

3. 掌握Numpy的基本使用

4. 掌握pandas的基本使用

5. 掌握Seaborn的基本使用

6. 熟悉人工智能中常用的数学

7. 熟悉KNN算法实现过程及其原理

8. 熟悉线性回归算法实现过程及其原理

9. 熟悉逻辑回归算法实现过程及其原理

10. 熟悉决策树算法实现过程及其原理

11. 熟悉朴素贝叶斯算法实现过程及其原理

12. 熟悉SVM算法实现过程及其原理

13. 熟悉HMM算法实现过程及其原理

14. 熟悉集成学习基本分类以及经典算法

15. 熟悉xgboost、lightGBM算法实现过程及其原理

适用人群：

1、对目前职业有进一步提升要求，希望从事人工智能行业高薪工作的在职人员。

2、对人工智能感兴趣的相关人员。

基础课程主讲内容包括：

阶段一：人工智能概述  

1. 人工智能概述

2. 机器学习定义

3. 机器学习工作流程

4. 机器学习算法分类

5. 算法模型评估

6. Azure机器学习平台实验

7. 机器学习基础环境安装与使用

阶段二：Matplotlib  

1. Matplotlib库使用

2. Matplotlib架构介绍

3. Matplotlib基本功能实现

4. Matplotlib实现多图显示

5. Matplotlib绘制各类图形

阶段三：Numpy   

1. Numpy库使用

2. Numpy运算优势

3. 数组的属性

4. 数组的形状

5. Numpy实现数组基本操作

6. Numpy实现数组运算

阶段四：pandas  

1. pandas库使用

2. pandas基本数据操作

3. DataFrame、Series、MultiIndex、panel

4. pandas画图

5. 文件读取和存储（Excel、CSV、SQL、HDF、Json）

6. 高级数据处理（缺失值处理、数据离散化、数据合并、交叉表和透视表、分组和聚合）

7. 案例：电影数据分析

阶段五：Seaborn 

1. Seaborn库的介绍

2. 单变量图形可视化

3. 双变量图形可视化

4. 多变量图形可视化

5. 类别散点图

6. 箱线图 

7. 小提琴图

8. 点图

阶段六：数据科学综合案例

1. 案例一：NBA球员数据分析

2. 案例二：北京市租房数据统计分析

阶段七：sklearn基本介绍

1. sklearn介绍

2. sklearn获取数据集

3. 数据集属性介绍

4. 数据集划分

5. 留出法、留一法、

6. KFold、StratifiedKFold

7. 自助法

阶段八：特征工程与模型优化   

1. 特征工程与模型优化

2. 特征预处理：归一化、标准化

3. 特征提取：字典特征提取、文本特征提取、Tf-idf

4. 特征降维：特征选择、过滤式、方差选择法、低方差特征过滤、嵌入式

5. 斯皮尔曼相关系数、皮尔逊相关系数

6. 交叉验证、网格搜索、

阶段九：KNN算法   

1. KNN算法api及kd树及原理

2. 欧式距离、曼哈顿距离、切比雪夫距离、闵氏距离、标准化欧式距离、余弦距离

3. 数据的连续属性和离散属性

4. KNN中k值的选择

5. kd树

6. KNN算法优缺点介绍

7. 案例：鸢尾花种类预测

8. 案例：Facebook签到位置预测

阶段十：线性回归    

1. 线性回归概念和api与原理剖析

2. 损失函数:误差平方和

3. 梯度下降算法：FGD、SGD、mini-batch、SAG

4. 模型优化：数据归一化、优化器的选择；

5. 正则化线性模型：Lasso回归、岭回归、Elastic Net、early stopping

6. 案例：波士顿房价预测

阶段十一：逻辑回归    

1. 逻辑回归概念api和原理

2. sigmoid介绍

3.分类评估指标：混淆矩阵、精确率、召回率、F1-score、

4.ROC曲线、AUC指标、ROC曲线的绘制

5. 类别不平衡数据的生成：imbalanced-learn、随机过采样、SMOTE、随机欠采样

6. 案例：恶性乳腺癌肿瘤预测

阶段十二：决策树算法   

1. 决策树算法原理和api使用

2. 熵、信息增益、增益率、基尼指数

3. 决策树的构建和剪枝：剪枝处理、预剪枝、后剪枝、ID3、CART

4. 条件熵和交叉熵：连续与缺失值处理、多变量决策树

5. 回归决策树：基本流程、回归/分类决策树的区别

6. 案例：泰坦尼克号乘客生存预测"

阶段十三：朴素贝叶斯   

1. 朴素贝叶斯原理和api函数

2. 独立同分布、贝叶斯公式、拉普拉斯平滑系数

3. 概率分布：多项式分布、高斯分布、条件概率、贝叶斯编程及A/B测试

4. 案例：商品评论情感分析

阶段十四：SVM算法   

1. SVM算法原理

2. 对偶问题及KKT、SMO算法

3. 软间隔与正则化

4. 支持向量回归；

5. 核函数：最简单的核函数距离、相似性函数、常用核函数（GBF和Gassian）、核函数对比

6. 案例：通过SVM构建数字识别器

阶段十五：聚类算法    

1. kmeans流程和质心

2. 评价指标：内部指标、外部指标

3. 优化方法（二分kmeans，kmeans++）、SC系数/CH系数；

4. 案例：探究用户对物品类别的喜好细分

阶段十六：HMM模型   

1. 极大似然估计、期望估计、极大化估计

2. HMM模型：Markov chain、可见状态链、隐含状态链、

3. 前向后向算法

4. Viterbi算法

5. Baum-Welch

6. 案例：骰子游戏结果预测

阶段十七： 集成学习基础  

1. bagging和boosting介绍

2. 随机森林

3. 包外估计、无偏估计；

4. 离散型AdaBoost、实数型AdaBoost

5. GBDT、残差拟合；

6. 案例一：泰坦尼克号乘客生存预测优化

7. 案例二：otto电商平台物品分类预测

阶段十八：集成学习进阶  

1. 集成学习进阶-xgboost基本介绍

2. xgboost目标函数推导

3. 树的复杂度定义

4. xgboost回归树构建

5. xgboost与GBDT对比

6. 通用参数、Booster参数介绍

7. 案例：otto电商平台物品分类预测案例优化

8. 集成学习进阶-lightGBM 

9. Histogram的决策树算法介绍

10. level-wise、leaf-wise、特征并行、数据并行介绍

11. 案例：《绝地求生》玩家排名预测