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

       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,本次机器学习基于现代Ｒ语言，Tidyverse,Tidymodel语法。

详情链接： 基于现代R语言【Tidyverse、Tidymodel】的机器学习方法与案例分析实践技术应用https://mp.weixin.qq.com/s?__biz=MzU5NTkyMzcxNw==&mid=2247523615&idx=3&sn=6142aca0fc779b9663a511cbd86218b8&chksm=fe685b75c91fd263b86dd88d1a35a969dbeab043b4d8883e02b9a9ed311b4d8e330c710cb97a&token=392152318&lang=zh_CN#rd

---

内容详情：

专题一：基础知识

• Tidymodel,Tidyverse语法精讲
• 机器学习的基本概念
• 机器学习建模过程
• 特征工程

专题二：回归

• 线性回归略谈
• 岭回归
• 偏最小二乘法
• Lasso回归与最小角度回归
• 弹性网回归 
• 

专题三：树形模型

• 分类回归树
• 随机森林 
• 

专题四：集成学习

• 梯度提升法
• 装袋法
• GBM与随机GBM
• XGBOST
• 总结 
• 

专题五：其它方法

• 支持向量机
• 深度学习基础
• 可解释的机器学习 
•  

  专题六：降维

•   主成分分析
• 广义低秩模型
• Autoenconders
• 

专题七：聚类与分类

• K-均值聚类
• 分层聚类
• K-近邻分类
• Logistic回归
•