推廣 熱搜: 2022  財務(wù)  微信  法律    網(wǎng)格化  管理  營銷  總裁班  安全 

Python機器學(xué)習(xí)算法實戰(zhàn)

主講老師: 傅一航 傅一航

主講師資:傅一航

課時安排: 1天/6小時
學(xué)習(xí)費用: 面議
課程預(yù)約: 隋老師 (微信同號)
課程簡介: 1、 熟悉常見的機器學(xué)習(xí)的算法。 2、 掌握機器學(xué)習(xí)的算法原理,以及數(shù)據(jù)推導(dǎo)。 3、 學(xué)會使用Python來實現(xiàn)機器學(xué)習(xí)算法,以及優(yōu)化算法。
內(nèi)訓(xùn)課程分類: 綜合管理 | 人力資源 | 市場營銷 | 財務(wù)稅務(wù) | 基層管理 | 中層管理 | 領(lǐng)導(dǎo)力 | 管理溝通 | 薪酬績效 | 企業(yè)文化 | 團隊管理 | 行政辦公 | 公司治理 | 股權(quán)激勵 | 生產(chǎn)管理 | 采購物流 | 項目管理 | 安全管理 | 質(zhì)量管理 | 員工管理 | 班組管理 | 職業(yè)技能 | 互聯(lián)網(wǎng)+ | 新媒體 | TTT培訓(xùn) | 禮儀服務(wù) | 商務(wù)談判 | 演講培訓(xùn) | 宏觀經(jīng)濟 | 趨勢發(fā)展 | 金融資本 | 商業(yè)模式 | 戰(zhàn)略運營 | 法律風(fēng)險 | 沙盤模擬 | 國企改革 | 鄉(xiāng)村振興 | 黨建培訓(xùn) | 保險培訓(xùn) | 銀行培訓(xùn) | 電信領(lǐng)域 | 房地產(chǎn) | 國學(xué)智慧 | 心理學(xué) | 情緒管理 | 時間管理 | 目標管理 | 客戶管理 | 店長培訓(xùn) | 新能源 | 數(shù)字化轉(zhuǎn)型 | 工業(yè)4.0 | 電力行業(yè) |
更新時間: 2023-09-01 11:33


課程目標】

本課程為高級課程,專注于機器學(xué)習(xí)算法,原理,以及算法實現(xiàn)及優(yōu)化。

通過本課程的學(xué)習(xí),達到如下目的:

1、 熟悉常見的機器學(xué)習(xí)的算法。

2、 掌握機器學(xué)習(xí)的算法原理,以及數(shù)據(jù)推導(dǎo)。

3、 學(xué)會使用Python來實現(xiàn)機器學(xué)習(xí)算法,以及優(yōu)化算法。

4、 掌握scikit-learn擴展庫來實現(xiàn)機器學(xué)習(xí)算法

【授課時間】

2-3天時間

【授課對象】

IT系統(tǒng)部、大數(shù)據(jù)系統(tǒng)開發(fā)、大數(shù)據(jù)建模等IT技術(shù)人員。

【學(xué)員要求】

本課程只講算法實現(xiàn),不涉及完整的數(shù)據(jù)建模和模型使用,所以要求學(xué)員之前已經(jīng)掌握數(shù)據(jù)建?;A(chǔ),熟悉建模過程。

1、 每個學(xué)員自備一臺便攜機(必須)。

2、 要求有Python開發(fā)基礎(chǔ),事先安裝Python 3.9版本以上。

3、 要求有基本的數(shù)據(jù)分析和數(shù)據(jù)挖掘的知識。

注:講師現(xiàn)場提供開源的安裝程序、擴展庫,以及現(xiàn)場分析的數(shù)據(jù)源。

【授課方式】

機器學(xué)習(xí)任務(wù) + 算法原理 + 數(shù)學(xué)推導(dǎo) + Python實現(xiàn)

從任務(wù)出發(fā),了解算法原理,以及數(shù)學(xué)推導(dǎo)過程,全過程演練操作,讓學(xué)員在分析、分享、講授、總結(jié)、自我實踐過程中獲得能力提升。

課程大綱】

第一部分: 機器學(xué)習(xí)基礎(chǔ)

1、 機器學(xué)習(xí)簡介

2、 機器學(xué)習(xí)的種類

監(jiān)督學(xué)習(xí)/無監(jiān)督學(xué)習(xí)/半監(jiān)督學(xué)習(xí)/強化學(xué)習(xí)

批量學(xué)習(xí)和在線學(xué)習(xí)

基于實例與基于模型

3、 機器學(xué)習(xí)的主要戰(zhàn)挑

數(shù)據(jù)量不足

數(shù)據(jù)質(zhì)量差

無關(guān)特征

過擬合/擬合不足

4、 機器學(xué)習(xí)任務(wù)

監(jiān)督:分類、回歸

無監(jiān)督:聚類、降維、關(guān)聯(lián)規(guī)則

5、 機器學(xué)習(xí)基本過程

6、 機器學(xué)習(xí)常用庫

第二部分: 回歸算法實現(xiàn)

1、 建模的本質(zhì),其實是一個最優(yōu)化問題

2、 回歸模型的基礎(chǔ)

3、 基本概念:損失函數(shù)

4、 線性回歸常用算法

普通最小二乘法OLS

梯度下降算法

牛頓法/擬牛頓法

5、 最小二乘法

a) 數(shù)學(xué)推導(dǎo)

b) OLS存在的問題

6、 過擬合解決方法:正則化

嶺回歸(Ridge)

套索回歸Lasso

ElasticNet回歸

各種算法的適用場景

7、 超大規(guī)模數(shù)據(jù)集的回歸模型:迭代算法

梯度概念

梯度下降/上升算法

批量梯度BGD/隨機梯度SGD/小批量梯度MBGD

學(xué)習(xí)率的影響

早期停止法

8、 梯度算法的關(guān)鍵問題

9、 牛頓法/擬牛頓法

泰勒公式(Taylor)

牛頓法(Newton)

擬牛頓法(Quasi-Newton)的優(yōu)化

DFP/BFGS/L-BFGS

10、 算法比較

第三部分: 邏輯回歸算法

1、 邏輯回歸基礎(chǔ)

2、 LR的常用算法

最大似然估計法

梯度算法

牛頓法

3、 最大似然估計法

似然函數(shù)/損失函數(shù)

數(shù)學(xué)推導(dǎo)

4、 模型優(yōu)化

迭代樣本的隨機選擇

變化的學(xué)習(xí)率

5、 邏輯回歸+正則項

6、 求解算法與懲罰項的關(guān)系

7、 多元邏輯回歸處理

ovo

ovr

優(yōu)缺點比較

8、 邏輯回歸建模實戰(zhàn)

案例sklearn庫實現(xiàn)銀行貸款違約預(yù)測

案例:訂閱者用戶的典型特征(二元邏輯回歸)

案例:通信套餐的用戶畫像(多元邏輯回歸)

第四部分: 決策樹算法

1、 決策樹簡介

演練:識別銀行欠貨風(fēng)險,提取欠貸者的特征

2、 決策樹的三個關(guān)鍵問題

最優(yōu)屬性選擇

熵、基尼系數(shù)

信息增益、信息增益率

屬性最佳劃分

多元劃分與二元劃分

連續(xù)變量最優(yōu)劃分

決策樹修剪

剪枝原則

預(yù)剪枝與后剪枝

3、 構(gòu)建決策樹的算法

ID3、C4.5、C5.0

CART

4、 決策樹的超參優(yōu)化

5、 決策樹的解讀

6、 決策樹建模過程

案例商場酸奶購買用戶特征提取

案例:客戶流失預(yù)警與客戶挽留

案例:識別拖欠銀行貨款者的特征,避免不良貨款

案例:識別電信詐騙者嘴臉,讓通信更安全

案例:電力竊漏用戶自動識別

第五部分: 神經(jīng)網(wǎng)絡(luò)算法

1、 神經(jīng)網(wǎng)絡(luò)簡介(ANN)

2、 神經(jīng)元基本原理

加法器

激活函數(shù)

3、 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

隱藏層數(shù)量

神經(jīng)元個數(shù)

4、 神經(jīng)網(wǎng)絡(luò)的建立步驟

5、 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問題

6、 BP算法實現(xiàn)

7、 MLP多層神經(jīng)網(wǎng)絡(luò)

8、 學(xué)習(xí)率的設(shè)置

案例評估銀行用戶拖欠貨款的概率

案例:神經(jīng)網(wǎng)絡(luò)預(yù)測產(chǎn)品銷量

第六部分: 線性判別算法

1、 判別分析簡介

2、 判別分析算法

中心和方差

類間散席Sb

類內(nèi)散席Sw

3、 特征值和特征向量

4、 多分類LDA算法

5、 算法實戰(zhàn)

案例:MBA學(xué)生錄取判別分析

案例:上市公司類別評估

第七部分: 最近鄰算法(KNN

1、 KNN的基本原理

2、 K近鄰的關(guān)鍵問題

距離公式

投票機制

3、 KNN算法實現(xiàn)

Brute(蠻力計算)

Kd_treeKD樹)

Ball_tre(球樹)

4、 算法比較

第八部分: 貝葉斯算法(NBN)

1、 貝葉斯簡介

2、 貝葉斯分類原理

先驗概率和后驗概率

條件概率和類概率

3、 常見貝葉斯網(wǎng)絡(luò)

4、 計算類別屬性的條件概率

5、 估計連續(xù)屬性的條件概率

6、 預(yù)測分類概率(計算概率)

7、 拉普拉斯修正

案例評估銀行用戶拖欠貨款的概率

第九部分: 支持向量機算法(SVM

1、 支持向量機簡介

適用場景

2、 支持向量機原理

支持向量

最大邊界超平面

3、 線性不可分處理

松弛系數(shù)

4、 非線性SVM分類

5、 常用核函數(shù)

線性核函數(shù)

多項式核

高斯RBF核

核函數(shù)的選擇原則

6、 SMO算法

第十部分: 模型集成優(yōu)化篇

1、 模型的優(yōu)化思想

2、 集成模型的框架

Bagging

Boosting

Stacking

3、 集成算法的關(guān)鍵過程

弱分類器如何構(gòu)建

組合策略:多個弱學(xué)習(xí)器如何形成強學(xué)習(xí)器

4、 Bagging集成算法

數(shù)據(jù)/屬性重抽樣

決策依據(jù):少數(shù)服從多數(shù)

隨機森林RandomForest

5、 Boosting集成算法

基于誤分數(shù)據(jù)建模

樣本選擇權(quán)重更新

決策依據(jù):加權(quán)投票

AdaBoost模型

6、 GBDT模型

7、 XGBoost模型

8、 LightGBM模型

第十一部分: 聚類分析(客戶細分)實戰(zhàn)

1、 聚類基本原理

2、 K均值聚類算法

K均值算法

3、 距離計算公式

閔可夫斯基距離(Minkowski Distance)

曼哈頓距離(Manhattan Distance)

歐氏距離(Euclidean Distance)

切比雪夫距離(Chebyshev Distance)

余弦距離(Cosine)

Pearson相似距離

馬哈拉諾比斯距離(Mahalanobis)

漢明距離(Hamming distance)

杰卡德相似系數(shù)(Jaccard similarity coefficient)

相對熵(K-L距離)

4、 K均值算法的關(guān)鍵問題

初始中心的選取方式

最優(yōu)K值的選取

5、 聚類算法的評價方法

Elbow method(手肘法)

Calinski-Harabasz Index(CH準則法)

Silhouette Coefficient(輪廓系數(shù)法)

Gap Statistic(間隔統(tǒng)計量法)

Canopy算法

6、 算法實戰(zhàn)

案例使用SKLearn實現(xiàn)K均值聚類

第十二部分: 關(guān)聯(lián)規(guī)則算法

1、 關(guān)聯(lián)規(guī)則基本原理

2、 常用關(guān)聯(lián)規(guī)則算法

Apriori算法

發(fā)現(xiàn)頻繁集

生成關(guān)聯(lián)規(guī)則

FP-Growth算法

構(gòu)建FP樹

提取規(guī)則

3、 算法實戰(zhàn)

案例使用apriori庫實現(xiàn)關(guān)聯(lián)分析

案例:中醫(yī)證型關(guān)聯(lián)規(guī)則挖掘

第十三部分: 協(xié)同過濾算法

1、 協(xié)同過濾基本原理

2、 協(xié)同過濾的兩各類型

基于用戶的協(xié)同過濾UserCF

基于物品的協(xié)同過濾ItemCF

3、 相似度評估常用公式

4、 UserCF算法實現(xiàn)

計算用戶間的興趣相似度

篩選前K個相似用戶

合并相似用戶購買過的物品集

剔除該用戶已經(jīng)購買過的產(chǎn)品,得到候選物品集

計算該用戶對物品的喜歡程度,物品集排序

優(yōu)先推薦前N個物品

5、 ItemCF算法實現(xiàn)

計算物品間的相似度

篩選前K個喜歡的物品

合并與前K個物品相似的前L個物品集

剔除該用戶已經(jīng)購買過的物品,得到候選物品集

計算該用戶到候選物品的喜愛程度,物品排序

優(yōu)先推薦前N個物品

6、 關(guān)于冷啟動問題

7、 協(xié)同過濾算法比較

 

結(jié)束:課程總結(jié)問題答疑。

 
反對 0舉報 0 收藏 0
更多>與Python機器學(xué)習(xí)算法實戰(zhàn)相關(guān)內(nèi)訓(xùn)課
企業(yè)家經(jīng)營哲學(xué)與企業(yè)經(jīng)營之道 高   效   執(zhí)   行   力 教練式經(jīng)銷商管理 商業(yè)模式創(chuàng)新 創(chuàng)新思維管理應(yīng)用訓(xùn)練?—創(chuàng)造性解決問題 創(chuàng)新思維和有效執(zhí)行 微課的設(shè)計與制作 高效能主管風(fēng)暴訓(xùn)練營
傅一航老師介紹>傅一航老師其它課程
大數(shù)據(jù)產(chǎn)業(yè)現(xiàn)狀及應(yīng)用創(chuàng)新 大數(shù)據(jù)挖掘工具:SPSS Modeler入門與提高 大數(shù)據(jù)挖掘工具: SPSS Statistics入門與提高 大數(shù)據(jù)建模與模型優(yōu)化實戰(zhàn)培訓(xùn) 金融行業(yè)風(fēng)險預(yù)測模型實戰(zhàn) 數(shù)說營銷——大數(shù)據(jù)營銷實戰(zhàn)培訓(xùn) 大數(shù)據(jù)分析與挖掘綜合能力提升實戰(zhàn) 助力市場營銷與服務(wù)的數(shù)據(jù)分析實戰(zhàn)
網(wǎng)站首頁  |  關(guān)于我們  |  聯(lián)系方式  |  誠聘英才  |  網(wǎng)站聲明  |  隱私保障及免責(zé)聲明  |  網(wǎng)站地圖  |  排名推廣  |  廣告服務(wù)  |  積分換禮  |  網(wǎng)站留言  |  RSS訂閱  |  違規(guī)舉報  |  京ICP備11016574號-25