深圳機器學習及R應用培訓班

01章機器學習引論
01-01什么是機器學習
01-02機器學習的分類與術語
01-03案例：垃圾郵件過濾；手寫體數(shù)字識別；圖像識別；自動駕駛
02章R語言快速入門
02-01Why R？
02-02安裝R與RStudio
02-03R的對象(vector, matrix, data frame,list)
02-04面向對象的函數(shù)式語言
02-05R語言畫圖
03章懲罰回歸
03-01OLS
03-02RidgeRegression
03-03Lasso
03-04ElasticNet
03-05交叉驗證 (Cross-validation)
03-06PostDouble Lasso and IV Lasso
03-07R案例
04章線性分類
04-01Logit
04-02多項Logit
04-03貝葉斯決策理論
04-04線性判別分析
04-05二次判別分析
04-06ROC/AUC
04-07R案例
05章樸素貝葉斯
05-01樸素貝葉斯
05-02拉普拉斯修正
05-03R案例
06章K近鄰法
06-01KNN forRegression
06-02KNN forClassification
06-03偏差與方差的權衡
06-04維度災難
06-05R案例
07章決策樹
07-01分類樹
07-02分裂準則(錯分率、基尼指數(shù)、信息熵)
07-03修枝與交叉驗證
07-04回歸樹
07-05R案例
08章裝袋法與隨機森林
08-01集成學習(Ensemble Learning)
08-02裝袋法(Bagging)
08-03隨機森林(Random Forest)
08-04變量重要性(Variable Importance)
08-05偏依賴圖(Partial Dependence Plot)
08-06R案例
09章提升法
09-01自適應提升法 (AdaBoost)
09-02AdaBoost的統(tǒng)計解釋
09-03梯度提升法 (Gradient Boosting Machine)
09-04R案例
10章支持向量機
10-01MaximalMargin Classifier
10-02SoftMargin
10-03SupportVector Machine
10-04KernelTrick
10-05R案例
11章前饋神經(jīng)網(wǎng)絡
11-01前饋神經(jīng)網(wǎng)絡
11-02反向傳播算法(Back-propagation Algorithm)
11-03隨機梯度下降(Stochastic Gradient Descent)
11-04神經(jīng)網(wǎng)絡的過擬合
11-05深度學習的發(fā)展
11-06R案例
12章 卷積神經(jīng)網(wǎng)絡
12-01計算機視覺
12-02卷積運算(Convolution Operation)
12-03卷積神經(jīng)網(wǎng)絡(卷積層、匯聚層)
12-04R案例
13章循環(huán)神經(jīng)網(wǎng)絡
13-01文本數(shù)據(jù)與詞嵌套(WordingEmbedding)
13-02循環(huán)神經(jīng)網(wǎng)絡(RecurrentNeural Network)
13-03長短期記憶模型(LSTM)
13-04門控循環(huán)單元(GRU)
13-05R案例
14章主成分分析
14-01總體中的主成分分析
14-02樣本中的主成分分析
14-03 方差分解與降維
14-04主成分回歸
14-05R案例
15章聚類分析
15-01K-均值聚類(K-meansClustering)
15-02分層聚類(Hierarchical Clustering)
15-03樹狀圖
15-04R案例
16章機器學習在經(jīng)管社科的應用
16-01精讀幾篇在經(jīng)管社科頂刊發(fā)表的經(jīng)典機器學習論文