IT培训网数据挖掘与机器学习算法阶段（线上教学）培训课程纲要

前言： 算法基础统计学基础统计学是关于认识客观现象总体数量特征和数量关系的科学。学习本课程的目的在于使学生掌

算法基础
统计学基础	统计学是关于认识客观现象总体数量特征和数量关系的科学。学习本课程的目的在于使学生掌握收集、处理、分析、解释数据的能力，并能从数据中得出结论或结果。能够通过搜集、整理、分析统计资料，认识客观现象数量规律性，并应用于所专修的专业领域去解决实际问题。
R 语言基础	R 是用于统计分析、绘图的语言和操作环境，它是一个用于统计计算和统计制图的优秀工具
算法模型
回归模型	回归模型研究的问题因变量（y）和一个或多个自变量（x）的函数关系，可以用于预测，是现代预测学的基础。此外也可以用于分类。学习的算法有：最小二乘回归、逐步回归、岭回归、 LASSO 回归、LAR 回归等
正则化模型	正则化模型的思想是基于一个基础模型（比如最小二乘回归）引入惩罚措施，目的是使模型具有更好的泛化能力
决策树模型	数据挖掘中决策树是一种常用算法模型，既可以用来作预测，也可以用于数据分类。决策树建立的模型不是函数式，而是一个决策树，易于理解。学习的算法有：ID3 算法树、C4.5 算法树、 CART 算法树等
判别模型	判别模型模型的特点基于样本数据建立判别函数，通过判别函数判别新样本的类归属问题。学习的算法有：Fisher 判别、K- 最近邻判别法等。
集成模型	集成模型的特点将多个弱模型组合在一起。所以可以提高模型的精度和准确度。所以深受欢迎。学习的算法有：Bagging 算法、Boosting 算法、Random Forest 算法等。
聚类模型	聚类算法的特点一般是基于距离度量来对数据做聚类分析。学习的算法有：层次聚类法、K-Means 聚类等
贝叶斯模型	贝叶斯模型的核心思想是基于贝叶斯公式（定理），是一个种概率模型，可以应用自动推理，文本分析等领域。学习的算法有：朴素贝叶斯分类器、贝叶斯信念网络等
SVM 模型	支持向量机主要解决分类问题，擅长处理高维数据，多应用于模式识别领域，比如手写体识别，图片识别等场景。
推荐系统模型	主要基于 ALS 算法实现基于用户的推荐和基于物品的推荐。推荐系统模型是购物平台或新闻讯息平台使用较多的一种模型实现。