Python機器學習算法實戰
講(jiang)師：傅一航(hang) 瀏覽次(ci)數(shu)：2566
課程描述INTRODUCTION
Python機器學習算法
培訓講師：
課程價格：
培訓天數：日(ri)程安排SCHEDULE
課(ke)程大(da)綱Syllabus
Python機器學習算法
【課程目標】
本課程為高級課程，專注于機器學習算法，原理，以及算法實現及優化。
通過本課程的學習，達到如下目的：
1、熟悉常見的機器學習的算法。
2、掌握機器學習的算法原理，以及數據推導。
3、學會使用Python來實現機器學習算法，以及優化算法。
4、掌握scikit-learn擴展庫來實現機器學習算法。
【授課對象】
IT系統部、大數據系統開發部、大數據建模等IT技術人員。
【課程大綱】
一、機器學習基礎
1、機器學習簡介
2、機器學習的種類
－監督學習/無監督學習/半監督學習/強化學習
－批量學習和在線學習
－基于實例與基于模型
3、機器學習的主要戰挑
－數據量不足
－數據質量差
－無關特征
－過擬合/擬合不足
4、機器學習任務
－監督：分類、回歸
－無監督：聚類、降維、關聯規則
5、機器學習基本過程
6、機器學習常用庫
二、回歸算法實現
1、建模的本質，其實是一個最優化問題
2、回歸模型的基礎
3、基本概念：損失函數
4、線性回歸常用算法
－普通最小二乘法OLS
－梯度下降算法
－牛頓法/擬牛頓法
5、最小二乘法
a) 數學推導
b) OLS存在的問題
6、過擬合解決方法：正則化
－嶺回歸（Ridge）
－套索回歸Lasso
－ElasticNet回歸
－各種算法的適用場景
7、超大規模數據集的回歸模型：迭代算法
－梯度概念
－梯度下降/上升算法
－批量梯度BGD/隨機梯度SGD/小批量梯度MBGD
－學習率的影響
－早期停止法
8、梯度算法的關鍵問題
9、牛頓法/擬牛頓法
－泰勒公式(Taylor)
－牛頓法(Newton)
－擬牛頓法(Quasi-Newton)的優化
－DFP/BFGS/L-BFGS
10、算法比較
三、邏輯回歸算法
1、邏輯回歸基礎
2、LR的常用算法
－*似然估計法
－梯度算法
－牛頓法
3、*似然估計法
－似然函數/損失函數
－數學推導
4、模型優化
－迭代樣本的隨機選擇
－變化的學習率
5、邏輯回歸+正則項
6、求解算法與懲罰項的關系
7、多元邏輯回歸處理
－ovo
－ovr
－優缺點比較
8、邏輯回歸建模實戰
案例：用sklearn庫實現銀行貸款違約預測
案例：訂閱者用戶的典型特征（二元邏輯回歸）
案例：通信套餐的用戶畫像（多元邏輯回歸）
四、決策樹算法
1、決策樹簡介
演練：識別銀行欠貨風險，提取欠貸者的特征
2、決策樹的三個關鍵問題
－最優屬性選擇
－熵、基尼系數
－信息增益、信息增益率
－屬性*劃分
－多元劃分與二元劃分
－連續變量最優劃分
－決策樹修剪
－剪枝原則
－預剪枝與后剪枝
3、構建決策樹的算法
－ID3、C4.5、C5.0
－CART
4、決策樹的超參優化
5、決策樹的解讀
6、決策樹建模過程
案例：商場酸奶購買用戶特征提取
案例：客戶流失預警與客戶挽留
案例：識別拖欠銀行貨款者的特征，避免不良貨款
案例：識別電信詐騙者嘴臉，讓通信更安全
案例：電力竊漏用戶自動識別
五、神經網絡算法
1、神經網絡簡介（ANN）
2、神經元基本原理
－加法器
－激活函數
3、神經網絡的結構
－隱藏層數量
－神經元個數
4、神經網絡的建立步驟
5、神經網絡的關鍵問題
6、BP算法實現
7、MLP多層神經網絡
8、學習率的設置
案例：評估銀行用戶拖欠貨款的概率
案例：神經網絡預測產品銷量
六、線性判別算法
1、判別分析簡介
2、判別分析算法
－中心和方差
－類間散席Sb
－類內散席Sw
3、特征值和特征向量
4、多分類LDA算法
5、算法實戰
案例：MBA學生錄取判別分析
案例：上市公司類別評估
七、最近鄰算法（KNN）
1、KNN的基本原理
2、K近鄰的關鍵問題
－距離公式
－投票機制
3、KNN算法實現
－Brute（蠻力計算）
－Kd_tree（KD樹）
－Ball_tre（球樹）
4、算法比較
八、貝葉斯算法（NBN）
1、貝葉斯簡介
2、貝葉斯分類原理
－先驗概率和后驗概率
－條件概率和類概率
3、常見貝葉斯網絡
4、計算類別屬性的條件概率
5、估計連續屬性的條件概率
6、預測分類概率（計算概率）
7、拉普拉斯修正
案例：評估銀行用戶拖欠貨款的概率
九、支持向量機算法（SVM）
1、支持向量機簡介
－適用場景
2、支持向量機原理
－支持向量
－*邊界超平面
3、線性不可分處理
－松弛系數
4、非線性SVM分類
5、常用核函數
－線性核函數
－多項式核
－高斯RBF核
－核函數的選擇原則
6、SMO算法
十、模型集成優化篇
1、模型的優化思想
2、集成模型的框架
－Bagging
－Boosting
－Stacking
3、集成算法的關鍵過程
－弱分類器如何構建
－組合策略：多個弱學習器如何形成強學習器
4、Bagging集成算法
－數據/屬性重抽樣
－決策依據：少數服從多數
－隨機森林RandomForest
5、Boosting集成算法
－基于誤分數據建模
－樣本選擇權重更新
－決策依據：加權投票
－AdaBoost模型
6、GBDT模型
7、XGBoost模型
8、LightGBM模型
十一、聚類分析（客戶細分）實戰
1、聚類基本原理
2、K均值聚類算法
－K均值算法
3、距離計算公式
－閔可夫斯基距離(Minkowski Distance)
－曼哈頓距離(Manhattan Distance)
－歐氏距離(Euclidean Distance)
－切比雪夫距離(Chebyshev Distance)
－余弦距離(Cosine)
－Pearson相似距離
－馬哈拉諾比斯距離（Mahalanobis）
－漢明距離(Hamming distance)
－杰卡德相似系數(Jaccard similarity coefficient)
－相對熵（K-L距離）
4、K均值算法的關鍵問題
－初始中心的選取方式
－最優K值的選取
5、聚類算法的評價方法
－Elbow method（手肘法）
－Calinski-Harabasz Index（CH準則法）
－Silhouette Coefficient（輪廓系數法）
－Gap Statistic（間隔統計量法）
－Canopy算法
6、算法實戰
案例：使用SKLearn實現K均值聚類
十二、關聯規則算法
1、關聯規則基本原理
2、常用關聯規則算法
－Apriori算法
－發現頻繁集
－生成關聯規則
－FP-Growth算法
－構建FP樹
－提取規則
3、算法實戰
案例：使用apriori庫實現關聯分析
案例：中醫證型關聯規則挖掘
十三、協同過濾算法
1、協同過濾基本原理
2、協同過濾的兩各類型
－基于用戶的協同過濾UserCF
－基于物品的協同過濾ItemCF
3、相似度評估常用公式
4、UserCF算法實現
－計算用戶間的興趣相似度
－篩選前K個相似用戶
－合并相似用戶購買過的物品集
－剔除該用戶已經購買過的產品，得到候選物品集
－計算該用戶對物品的喜歡程度，物品集排序
－優先推薦前N個物品
5、ItemCF算法實現
－計算物品間的相似度
－篩選前K個喜歡的物品
－合并與前K個物品相似的前L個物品集
－剔除該用戶已經購買過的物品，得到候選物品集
－計算該用戶到候選物品的喜愛程度，物品排序
－優先推薦前N個物品
6、關于冷啟動問題
7、協同過濾算法比較
結束：課程總結與問題答疑。
Python機器學習算法
轉載：//citymember.cn/gkk_detail/265689.html
已開(kai)課時(shi)間Have start time
- 傅一航
[僅限會員]
IT相關內訓
- CISSP認證培訓課程 張勝生
- 互聯網新技術在銀行的應用 武威
- Fine BI 數據分析與 張曉如
- IT崗位數智化能力提升路徑 甄文智
- 信息安全風險評估與加固技能 張勝(sheng)生
- 網安管理崗培訓 張勝生
- Python高效辦公自動化 張曉如
- 軟件安全意識加強與技能提高 張勝生
- 電力信息化：價值和建設分析 劉宇佳
- 滲透測試與攻防實戰高級課程 張勝生(sheng)
- 云計算的應用領域和實踐 武威
- 大模型技術與應用培訓 葉梓