python高级培训机构

一、课程学习目标

1.每个算法模块按照“原理讲解→分析数据→自己动手实现→特征与调参”的顺序。

2.“Python数据清洗和特征提取”，提升学习深度、降低学习坡度。

3.增加网络爬虫的原理和编写，从获取数据开始，重视将实践问题转换成实际模型的能

力，分享工作中的实际案例或Kaggle案例：广告销量分析、环境数据异常检测和分析、

数字图像手写体识别、Titanic乘客存活率预测、用户-电影推荐、真实新闻组数据主题

分析、中文分词、股票数据特征分析等。

4.强化矩阵运算、概率论、数理统计的知识运用，掌握机器学习根本。

5.阐述机器学习原理，提供配套源码和数据。

6.以直观解释，增强感性理解。

7.对比不同的特征选择带来的预测效果差异。

8.重视项目实践，重视落地。思考不同算法之间的区别和联系，提高在实际工作中选择

算法的能力。

9. 涉及和讲解的部分Python库有：Numpy、Scipy、matplotlib、Pandas、scikit-learn、

XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn。

二、课程目标

本课程特点是从数学层面推导最经典的机器学习算法，以及每种算法的示例和代码实现（Python）、如何做算法的参数调试、以实际应用案例分析各种算法的选择等。

三、培训对象

大数据分析应用开发工程师、大数据分析项目的规划咨询管理人员、大数据分析项目的IT项目高管人员、大数据分析与挖掘处理算法应用工程师、大数据分析集群运维工程师、大数据分析项目的售前和售后技术支持服务人员

时间地点：

2020年10月23日--25日北京（22日报到）

2020年10月31日--11月3日杭州（30日报到）

2020年11月26日--29日深圳（25日报到）

139---323---27---33-----8

四、详细培训内容介绍

课程模块

课程主题

主要内容及案例和演示

模块一

机器学习的数学基础1 - 数学分析

1. 机器学习的一般方法和横向比较

2. 数学是有用的：以SVD为例

3. 机器学习的角度看数学

4. 复习数学分析

5. 直观解释常数e

6. 导数/梯度

7. 随机梯度下降

8. Taylor展式的落地应用

9. gini系数

10. 凸函数

11. Jensen不等式

12. 组合数与信息熵的关系