基于现代R语言【Tidyverse、Tidymodel】的机器学习方法与案例分析

机器学习已经成为继理论、实验和数值计算之后的科研“第四范式”，是发现新规律，总结和分析实验结果的利器。机器学习涉及的理论和方法繁多，编程相当复杂，一直是阻碍机器学习大范围应用的主要困难之一，由此诞生了Python，R，SAS，STAT等语言辅助机器学习算法的实现。在各种语言中，R语言以编程简单，方法先进脱颖而出。

专题一：基础	1.Tidymodel,Tidyverse语法精讲 2.机器学习的基本概念 3.机器学习建模过程 4.特征工程
专题二：回归	1.线性回归略谈 2.岭回归 3.偏最小二乘法 4.Lasso回归与最小角度回归 5.弹性网回归
专题三：树形模型	1.分类回归树 2.随机森林
专题四：集成学习	1.梯度提升法 2.装袋法 3.GBM与随机GBM 4. XGBOST 5.总结
专题五：其它方法	1.支持向量机 2.深度学习基础 3.可解释的机器学习
专题六：降维	1.主成分分析 2.广义低秩模型 3.Autoenconders
专题七：聚类与分类	1.K-均值聚类 2.分层聚类 3.K-近邻分类 4.Logistic回归

原文链接