01章機(jī)器學(xué)習(xí)入門(mén)介紹（1小時(shí)）
01-01什么是機(jī)器學(xué)習(xí)
01-02機(jī)器學(xué)習(xí)中的名詞說(shuō)明：類(lèi)型、字段、特征、標(biāo)簽等
01-03機(jī)器學(xué)習(xí)中的基本概念：分類(lèi)、預(yù)測(cè)、回歸；有監(jiān)督、無(wú)監(jiān)督；模型效果、計(jì)算速度；可解釋性、泛化能力等
01-04推薦工具書(shū)
02章scikit-learn入門(mén)：Scikit-Learn庫(kù)簡(jiǎn)介（0.5小時(shí)）
03章KNN-Z近鄰分類(lèi)算法：以電影分類(lèi)為例（1.5小時(shí)）
03-01模型建立基本思路
03-02KNN原理基礎(chǔ)及其實(shí)現(xiàn)： KNN原理基礎(chǔ)距離的確認(rèn)：歐幾里得距離、馬曼哈頓距離、閔可夫斯基距離； KNN的scikit-learn實(shí)現(xiàn)：模型的構(gòu)建與評(píng)估
03-03模型優(yōu)化：學(xué)習(xí)曲線、交叉驗(yàn)證
03-04模型評(píng)價(jià)與總結(jié)
04章決策樹(shù)算法：泰坦尼克幸存者預(yù)測(cè)為例（3小時(shí)）
04-01決策樹(shù)基本原理
04-02決策樹(shù)的scikit-learn實(shí)現(xiàn)：八個(gè)參數(shù)（Criterion、兩個(gè)隨機(jī)性相關(guān)的參數(shù)、五個(gè)剪枝參數(shù)）、一個(gè)屬性、四個(gè)接口）解析
04-03分類(lèi)模型的評(píng)估指標(biāo)（混淆矩陣原理、scikit-learn中的混淆矩陣）
04-04實(shí)例：泰坦尼克號(hào)幸存者的預(yù)測(cè)（數(shù)據(jù)導(dǎo)入、數(shù)據(jù)處理、模型構(gòu)建與評(píng)估、利用混淆矩陣調(diào)參）
05章隨機(jī)森林算法：以乳腺癌預(yù)測(cè)為例（3小時(shí)）
05-01隨機(jī)森林概述：集成算法概述Bagging vs Boosting、集成算法的認(rèn)識(shí)
05-02隨機(jī)森林分類(lèi)器的實(shí)現(xiàn)：重要參數(shù)、重要屬性和接口
06章K-Means聚類(lèi)算法：以電商用戶畫(huà)像為例（3小時(shí)）
06-01聚類(lèi)算法概述：聚類(lèi)VS分類(lèi)
06-02KMeans原理分析
06-03KMeans的scikit-learn實(shí)現(xiàn)（模型構(gòu)建與評(píng)估（輪廓系數(shù)）、重要參數(shù)解析、實(shí)例：根據(jù)輪廓系數(shù)選擇簇）
07章關(guān)聯(lián)規(guī)則算法：啤酒與尿布關(guān)聯(lián)規(guī)則分析（2小時(shí)）
07-01關(guān)聯(lián)規(guī)則概述：頻繁項(xiàng)集的產(chǎn)生與關(guān)聯(lián)發(fā)現(xiàn)
07-02Apriori算法原理：先驗(yàn)原理
07-03使用Apriori算法來(lái)發(fā)現(xiàn)頻繁項(xiàng)集（生成候選項(xiàng)集（函數(shù)的構(gòu)建與封裝）、項(xiàng)集迭代函數(shù)）
08章線性回歸模型在數(shù)據(jù)分析領(lǐng)域的應(yīng)用：以房?jī)r(jià)預(yù)測(cè)為例（1小時(shí)）
09章邏輯回歸：以信用卡反欺詐模型為例（3小時(shí)）
09-01邏輯回歸概述：模型參數(shù)、sigmoid函數(shù)、邏輯回歸的返回值解析
09-02邏輯回歸的特點(diǎn)：模型擬合效果、計(jì)算速度、返回值的可解釋型
09-03邏輯回歸模型的構(gòu)建與優(yōu)化： 認(rèn)識(shí)邏輯回歸的損失函數(shù)； 重要參數(shù)解析； 梯度下降求解Z小損失函數(shù)參數(shù)值
10章SVM支持向量機(jī)概述、應(yīng)用及scikit-leaern實(shí)現(xiàn)（1小時(shí)）
11章分類(lèi)模型的評(píng)估指標(biāo)（2小時(shí)）
12章樸素貝葉斯算法：以文本分類(lèi)為例（3小時(shí)）
12-01樸素貝葉斯概述
12-02應(yīng)用：文本分類(lèi)的實(shí)現(xiàn)