学习大纲

整个机器学习内容包括：基础、分类、预测、无监督式学习、降维与分布式几大块进行。总共计划 12 周时间。
基础：第 1 章
分类： 第 1～7 章
预测：第 8～9 章
无监督式学习：第 10～12 章
降维与分布式：第 13～15 章

01 机器学习基础（第一周）

https://blog.csdn.net/qq_34243930/article/details/84948770
1.1 Python 基础知识，Numpy、pandas、Matplotlib 等库的简介
1.2 开发环境的搭建：Python3 + Anaconda + Jupyter Notebook
1.3 Jupyter Notebook 使用简介

第一节学习内容
学习时间： 12/2
任务1题目： 观看机器学习实战绪论视频+天池o2o比赛完全流程解析PPT

04 朴素贝叶斯（第二周）

https://blog.csdn.net/qq_34243930/article/details/85016783
4.1 基于贝叶斯决策理论的分类方法
4.2 条件概率
4.3 使用条件概率来分类
4.4 使用朴素贝叶斯进行文档分类
4.5 使用 Python 进行文本分类
4.6 示例：使用朴素贝叶斯过滤垃圾邮件
4.7 示例：使用朴素贝叶斯分类器从个人广告中获取区域倾向

学习内容
学习时间： 12/11-12/14
任务1题目： 书籍阅读
任务详解： 阅读《机器学习实战》书籍第四章
参考文献： 李航《统计学习方法》第4章
参考资料： [通俗易懂！白话朴素贝叶斯]
( https://mp.weixin.qq.com/s/7xRyZJpXmeB77MZNLqVf3w)
作业1： 概括朴素贝叶斯分类算法的原理，为什么称之为“朴素”br> 作业2：

比赛：天池O2O数据预测大赛（初级）

第二节学习内容
学习时长：12/25-12/28
任务1题目：天池o2o预测赛（初级）
任务详解：建立一个简单的线性模型，在线提交预测结果，查看成绩
视频不清晰也可以去荔枝微课看，地址： https://m.weike.fm/lecture/10234967 ;（观看密码：011220）
源码文件：链接： https://pan.baidu.com/s/1FwCcG0Pk1V_0mK1MCbkPlg ;;提取码：y5z6

作业1：使用简单模型，在线提交预测结果，查看成绩
提交日期：12/28
提交形式：代码截图打卡或git链接提交，比赛上传结果界面排名截图打卡上传

07 利用 AdaBoost 元算法提高分类性能（第五周）

7.1 基于数据 多重抽样的分类器
7.2 训练算法：基于错误提升分类器的性能
7.3 基于单层决策树构建弱分类器
7.4 完整 AdaBoost 算法的实现
7.5 测试算法：基于 AdaBoost 的分类
7.6 示例：在一个难数据集上应用 AdaBoost
7.7 非均衡分类问题

第一节学习内容
学习时长：12/30-01/02
任务1题目：书籍阅读
任务详解：阅读《机器学习实战》书籍第7章
参考文献：
李航《统计学习方法》第8章8.1/8.2/8.3节

作业1：AdaBoost选择分类器是弱分类器还是强分类器释原因。
提交日期：12/30
提交形式：文字或者截图打卡
作业2：将本章中“在一个难数据集上应用AdaBoost”完整代码键入jupyter notebook，并添加详细注释。若有可能，自己可以优化该代码。
提交日期：01/02
提交形式：代码截图打卡或git链接提交

作业参考答案
说明：当天作业参考答案隔天发布
1.1 弱分类器。若是强分类器，那么该分类器占的权重alpha会很大，相当于其它分类器不起作用了。所以，多个弱分类器起到“三个臭皮匠，赛过诸葛亮”的效果。
1.2 Jupyter Notebook 见GitHub

08 预测数值型数据：回归（第五周）

8.1 用线性回归找到最佳拟合直线
8.2 局部加权线性回归
8.3 示例：预测鲍鱼的年龄
8.4 缩减系数来“理解”数据
8.5 权衡偏差和方差
8.6 示例：预测乐高玩具套装的价格

第二节学习内容
学习时长：1/03-1/04
任务1题目：书籍阅读
任务详解：阅读《机器学习实战》书籍第8章
作业1：岭回归和Lasso回归有什么区别br> 提交日期：1/03
提交形式：代码截图打卡或git链接提交
作业2：将本章中“预测鲍鱼的年龄”完整代码键入jupyter notebook，并添加详细注释。若有可能，自己可以优化该代码。
提交日期：1/04
提交形式：代码截图打卡或git链接提交
作业参考答案
说明：当天作业参考答案隔天发布
2.1
2.1 使用的正则化不同，岭回归使用L2正则化，Lasso使用L1正则化。L2正则化优点是易于求导，简化计算，更加常用一些。L1正则化优点是能得到较稀疏的解，但缺点是不易求导。