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 ![]() |