第一讲 机器学习简介

1.1 机器学习简介

1.2 人工智能

1.3 学习的类型

1.4 R语言简介

1.5 机器学习的类型

第一讲测验

第二讲 机器学习的评估方法

2.1 监督学习的评价

2.2 不均衡数据预测的评估方法

第二讲测验

第三讲 回归分析

3.1 线性回归

3.2 多项式回归

3.3 样条回归

3.4 局部回归

3.5 广义加性模型

第三讲测验

第四讲 回归方法

4.1 逻辑斯蒂回归

4.2 判别分类

4.3 K最近邻分类

4.4 回归树

4.5 分类树

4.6 Bagging分类

4.7 随机森林

4.8 AdaBoost

第四讲测验

第五讲 支持向量机

5.1 支持向量机1

5.2 支持向量机2

第五讲测验

第六讲 决策树

6.1 数据的表示

6.2 决策树

6.3 过拟合

6.4 决策树模型实例演示

第六讲测验

第七讲 合奏学习

7.1 合奏学习原理

7.2 装袋算法

7.3 Boosting的基本原理

7.4 Boosting算法

7.5 Boosting算法的应用

7.6 R语言训练合奏学习模型

第七讲测验

第八讲 正则化方法

8.1 正则化方法原理

8.2 正则化方法

第八讲测试

第九讲 人工神经网络

9.1 神经网络简介与神经元

9.2 感知器

9.3 神经网络模型

9.4 激活函数和代价函数

9.5 梯度下降法和反向传播算法

第九讲测试

第十讲 深度学习

10.1 深度神经网络

10.2 卷积神经网络

第十讲测验

第十一讲 聚类分析

11.1 无监督学习原理

11.2 K均值聚类算法

11.3 K均值算法的问题

11.4 基于混合模型的聚类

11.5 EM算法理论

11.6 用R语言做聚类分析

第十一讲测验