分析机器学习在应用时需要掌握的经验及编程技巧。通过实际案例的形式，介绍如何提炼创新点，以及如何发表高水平论文等相关经验。旨在掌握Python编程的基础知识与技巧、特征工程（数据清洗、变量降维、特征选择、群优化算法）、回归拟合（线性回归、BP神经网络、极限学习机）、分类识别（KNN、贝叶斯分类、支持向量机、决策树、随机森林、AdaBoost、XGBoost与LightGBM等）、聚类分析（K均值、DBSCAN、层次聚类）、关联分析（关联规则、协同过滤、Apriori算法）的基本原理及Python代码实现方法
原文链接：python数据挖掘与机器学习实践技术
模块一：Python编程【夯实基础】课前学习内容，Ai尚研修提供详细资料Python编程入门1、Python环境搭建（ 下载、安装与版本选择）。2、如何选择Python编辑器？（IDLE、Notepad++、PyCharm、Jupyter…）3、Python基础（数据类型和变量、字符串和编码、list和tuple、条件判断、循环、函数的定义与调用等）4、常见的错误与程序调试5、第三方模块的安装与使用6、文件读写（I/O）7、实操练习
Python进阶与提高1、Numpy模块库（Numpy的安装；ndarray类型属性与数组的创建；数组索引与切片；Numpy常用函数简介与使用）2、Pandas模块库（DataFrame数据结构、表格的变换、排序、拼接、融合、分组操作等）3、Matplotlib基本图形绘制（线形图、柱状图、饼图、气泡图、直方图、箱线图、散点图等）4、图形样式的美化（颜色、线型、标记、字体等属性的修改）5、图形的布局（多个子图绘制、规则与不规则布局绘制、向画布中任意位置添加坐标轴）6、高级图形绘制（3D图、等高线图、棉棒图、哑铃图、漏斗图、树状图、华夫饼图等）7、坐标轴高阶应用（共享绘图区域的坐标轴、坐标轴刻度样式设置、控制坐标轴的显示、移动坐标轴的位置）8、实操练习
模块二：特征工程
数据清洗
1、描述性统计分析（数据的频数分析：统计直方图；数据的集中趋势分析：算数平均值、几何平均数、众数、极差与四分位差、平均离差、标准差、离散系数；数据的分布：偏态系数、峰度；数据的相关分析：相关系数）2、数据标准化与归一化（为什么需要标准化与归一化？）3、数据异常值、缺失值处理4、数据离散化及编码处理5、手动生成新特征6、实操练习
变量降维
1、主成分分析（PCA）的基本原理
2、偏最小二乘（PLS）的基本原理
3、案例实践
4、实操练习
特征选择
1、常见的特征选择方法（优化搜索、Filter和Wrapper等；前向与后向选择法；区间法；无信息变量消除法；正则稀疏优化方法等）
2、案例实践
3、实操练习
群优化算法
1、遗传算法（Genetic Algorithm, GA）的基本原理（以遗传算法为代表的群优化算法的基本思想是什么？粒子群算法、蜻蜓算法、蝙蝠算法、模拟退火算法等与遗传算法的区别与联系）
2、遗传算法的Python代码实现
3、案例实践一：一元函数的寻优计算
4、案例实践二：离散变量的寻优计算（特征选择）
5、实操练习
模块三：回归拟合模型
线性回归模型
1、一元线性回归模型与多元线性回归模型（回归参数的估计、回归方程的显著性检验、残差分析）
2、岭回归模型（工作原理、岭参数k的选择、用岭回归选择变量）
3、LASSO模型（工作原理、特征选择、建模预测、超参数调节）
4、Elastic Net模型（工作原理、建模预测、超参数调节）
5、案例实践
6、实操练习
前向型神经网络
1、BP神经网络的基本原理（人工智能发展过程经历了哪些曲折？人工神经网络的分类有哪些？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP神经网络建模的本质是什么？）
2、BP神经网络的Python代码实现（怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？什么是梯度爆炸与梯度消失？）
3、BP神经网络参数的优化（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？）
4、值得研究的若干问题（欠拟合与过拟合、泛化性能评价指标的设计、样本不平衡问题等）
5、极限学习机（Extreme Learning Machine, ELM）的工作原理
6、案例演示 7、实操练习
模块四：分类识别模型
KNN、贝叶斯分类与支持向量机
1、KNN分类模型（KNN算法的核心思想、距离度量方式的选择、K值的选取、分类决策规则的选择）
2、朴素贝叶斯分类模型（伯努利朴素贝叶斯BernoulliNB、类朴素贝叶斯CategoricalNB、高斯朴素贝叶斯besfGaussianNB、多项式朴素贝叶斯MultinomialNB、补充朴素贝叶斯ComplementNB）
3、SVM的工作原理（SVM的本质是解决什么问题？SVM的四种典型结构是什么？核函数的作用是什么？什么是支持向量SVM扩展知识（如何解决多分类问题？SVM除了建模型之外，还可以帮助我们做哪些事情？）
4、案例实践
5、实操练习
决策树、随机森林、LightGBM、XGBoost
1、决策树的工作原理（微软小冰读心术的启示；什么是信息熵和信息增益？ID3算法和C4.5算法的区别与联系）；决策树除了建模型之外，还可以帮我们做什么事情？
2、随机森林的工作原理（为什么需要随机森林算法？广义与狭义意义下的“随机森林”分别指的是什么？“随机”体现在哪些地方？随机森林的本质是什么？怎样可视化、解读随机森林的结果？）
3、Bagging与Boosting的区别与联系
4、AdaBoost vs. Gradient Boosting的工作原理
5. 常用的GBDT算法框架（XGBoost、LightGBM）
6、案例实践
7、实操练习
模块五：聚类分析算法
K均值、DBSCAN、层次聚类
1、K均值聚类算法的工作原理
2、DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法的工作原理
3、层次聚类算法的工作原理
4、案例讲解
5、实操练习
模块六：关联分析算法
关联规则、协同过滤Apriori算法
1、关联规则算法的工作原理
2、协同过滤算法的工作原理
3、Apriori算法的工作原理
4、案例讲解
5、实操练习
模块七：总结与答疑讨论信息检索与常用科研工具
1、如何无障碍地访问Google、YouTube等网站？（谷歌访问助手、VPN等）
2、如何查阅文献资料？怎样能够保证对最新论文的追踪？
3、Google Scholar、ResearchGate的使用方法
4、应该去哪些地方查找与论文配套的数据和代码？
5、文献管理工具的使用（Endnote、Zotero等）
6、当代码出现错误时，应该如何高效率解决？
7、实操练习