第一阶段 初探机器学习(往公开课试听60分钟)

1. 机器学习要解决的问题(往期公开课60分钟试听)立即播放

2. 有监督无监督问题

3. 机器学习能做什么

4. 感知器-线性分类

5. 线性回归原理,推导

6. 实例：预测泰坦尼克船员能否获救

7. K近邻算法原理

8. K近邻算法代码实现

9. 实例：使用K近邻算法测试约会对象

第二阶段 机器学习基础算法

1. 逻辑回归算法原理,推导

2. 逻辑回归代码实现

3. 多分类问题解决方案

4. 一对一分类,一对多分类

5. 决策树算法模型

6. 熵原理,信息增益

7. 决策树构建

8. 决策树代码实现

9. 贝叶斯算法原理

10. 贝叶斯代码实现

11. 实例1：使用贝叶斯分类器打造拼写检查器

12. 实例2：垃圾邮件分类任务

第三阶段 机器学习进阶算法

1. Adaboosting算法原理

2. Boosting机制,优势分析

3. 自适应增强算法代码实现

4. 实例：使用集成算法改进泰坦尼克号预测

5. 线性支持向量机算法原理推导

6. 支持向量机核变换推导

7. SMO求解支持向量机

8. SMO算法代码实现

9. 随机森林算法原理

10. 使用随机森林衡量选择特征标准

11. 实例：使用随机森林改进泰坦尼克获救预测

12. 聚类算法综述

13. K-MEANS与DBSCAN算法讲解

第四阶段 机器学习实战项目

1. HTTP日志流量数据分析

2. 特征提取

3. 预处理，归一化

4. 分类解决方案

5. 聚类解决方案

6. 二分图，转移矩阵原理