Day1初識機(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)挖掘的對象 3、 數(shù)據(jù)挖掘的關(guān)鍵技術(shù) 4、 知識的表達(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：PCA 6、 有標(biāo)簽時：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) |
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 |
Day2機(jī)器學(xué)習(xí)中的典型算法 下午 極大似然估計與EM算法 性能評價指標(biāo) | 極大似然估計與EM算法（第二天——4） 1、 極大似然估計 2、 對數(shù)似然函數(shù) 3、 EM算法 性能評價指標(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、 對數(shù)損失 6、 Kappa系數(shù) 7、 回歸：平均絕對誤差、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 2、 EM算法應(yīng)用案例：雙正態(tài)分布的參數(shù)估計 3、 繪制ROC并計算AUC、F1 4、 繪制擬合曲線，計算擬合優(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)模擬一個圓錐曲面 3、 “貨郎擔(dān)”問題（模擬退火算法） 4、 識別破損的字母（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 |
