# MachineLearningInAction-Camp

**Repository Path**: simon1239/MachineLearningInAction-Camp

## Basic Information

- **Project Name**: MachineLearningInAction-Camp
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-03-19
- **Last Updated**: 2025-03-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 《机器学习实战》训练营

## 课程资料

- 《机器学习实战》书籍：[英文版](https://pan.baidu.com/s/1rVWUcPZscdE27lBQwTpoBA)，[中文版](https://pan.baidu.com/s/1a1wN3RKHQFP8GFKywVaHwQ)

- [ApacheCN](http://ml.apachecn.org/mlia/)

- [廖雪峰 Python3 教程](https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000)

- 李航《统计学习方法》(链接：https://pan.baidu.com/s/1MSx407RuPCJt5KSej0Yqlg 密码：h74l)

- 周志华《机器学习》（链接：https://pan.baidu.com/s/1wyqhvJHkI1zHph8RRsm9iw 密码：1475）

- [机器学习该怎么入门？](https://www.zhihu.com/question/20691338/answer/446610161)


## 课程安排

**总课时：12 周**

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 章

降维与分布式：第 13～14 章

### 第一周

**0 自测与比赛**

- 0.1 机器学习笔试100题

- 0.2 天池比赛流程解析

**1 机器学习基础**

- 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

**2 k-近邻算法**

- 2.1 k-近邻算法概述

- 2.2 示例：使用 k-近邻算法改进网站的配对效果

- 2.3 示例：手写识别系统

### 第二周

**3 决策树**

- 3.1 决策树的构造

- 3.3 测试和存储分类器

- 3.4 示例：使用决策树预测隐形眼镜类型

### 第三周

**4 基于概率论的分类方法：朴素贝叶斯**

- 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

### 第四周

**5 Logistic回归**

- 5.1 基于 Logistic 回归和 Sigmoid 函数的回归

- 5.2 基于最优化方法的最佳回归系数确定

- 5.3 示例：从疝气病症预测病马的死亡率

### 第五周

- 天池o2o预测赛（初级）

### 第六周

**6 支持向量机**

- 6.1 基于最大间隔分隔数据

- 6.2 寻找最大间隔

- 6.3 SMO 高效优化算法

- 6.4 利用完整 Platt SMO 算法加速优化

- 6.5 在复杂数据上应用核函数

- 6.6 手写识别问题

### 第七周

**7 利用 AdaBoost 元算法提高分类性能**

- 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

### 第八周

**8 预测数值型数据：回归**

- 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

### 第九周

**9 树回归**

- 9.1 复杂数据的局部性建模

- 9.2 连续和离散型特征的树的构建

- 9.3 将 CART 算法用于回归

- 9.4 树减枝

- 9.5 模型树

- 9.6 示例：树回归于标准回归的比较

### 第十周

- 天池o2o预测赛（进阶）

### 第十一周

**10 利用 K-均值聚类算法对未标注数据分组**

- 10.1 K-均值聚类算法

- 10.2 使用后处理来提高聚类性能

- 10.3 二分 K-均值算法

- 10.4 示例：对地图上的点进行聚类

### 第十二周

**13 利用PCA来简化数据**

- 13.1 降纬技术

- 13.2 PCA

- 13.3 示例：利用 PCA 对半导体制造数据降维

**14 利用SVD简化数据**

- 14.1 SVD 的应用

- 14.2 矩阵分解

- 14.3 利用 Python 实现 SVD

- 14.4 基于协调过滤的推荐引擎

- 14.5 示例：餐馆菜肴推荐引擎

- 14.6 示例：基于 SVD 的图像压缩