北京机器学习及R应用

课程亮点：

本次“机器学习及R应用”五天现场班将面向所有行业与科目的人士、老师与学生（包含经管社科、医学卫生等领域）。本课程的特色在于“一站式服务”，从机器学习的原理、数学推导，到R语言命令与经典案例，无不精心设计、丝丝入扣，理论联系实操，让学员们迅速理解机器学习的精髓，并掌握流行的数据科学软件R语言操作。

学习目标：

迅速理解机器学习的精髓，并掌握流行的数据科学软件R语言操作。

课程内容：

01章机器学习引论

01-01什么是机器学习

01-02机器学习的分类与术语

01-03案例：垃圾邮件过滤；手写体数字识别；图像识别；自动驾驶

02章R语言快速入门

02-01Why R？

02-02安装R与RStudio

02-03R的对象(vector, matrix, data frame,list)

02-04面向对象的函数式语言

02-05R语言画图

03章惩罚回归

03-01OLS

03-02RidgeRegression

03-03Lasso

03-04ElasticNet

03-05交叉验证 (Cross-validation)

03-06PostDouble Lasso and IV Lasso

03-07R案例

04章线性分类

04-01Logit

04-02多项Logit

04-03贝叶斯决策理论

04-04线性判别分析

04-05二次判别分析

04-06ROC/AUC

04-07R案例

05章朴素贝叶斯

05-01朴素贝叶斯

05-02拉普拉斯修正

05-03R案例

06章K近邻法

06-01KNN forRegression

06-02KNN forClassification

06-03偏差与方差的权衡

06-04维度灾难

06-05R案例

07章决策树

07-01分类树

07-02(错分率、基尼指数、信息熵)

07-03修枝与交叉验证

07-04回归树

07-05R案例

08章装袋法与随机森林

08-01集成学习(Ensemble Learning)

08-02装袋法(Bagging)

08-03随机森林(Random Forest)

08-04变量重要性(Variable Importance)

08-05偏依赖图(Partial Dependence Plot)

08-06R案例

09章提升法

09-01自适应提升法 (AdaBoost)

09-02AdaBoost的统计解释

09-03梯度提升法 (Gradient Boosting Machine)

09-04R案例

10章支持向量机

10-01MaximalMargin Classifier

10-02SoftMargin

10-03SupportVector Machine

10-04KernelTrick

10-05R案例

11章前馈神经网络

11-01前馈神经网络

11-02反向传播算法(Back-propagation Algorithm)

11-03随机梯度下降(Stochastic Gradient Descent)

11-04神经网络的过拟合

11-05深度学习的发展

11-06R案例

12章 卷积神经网络

12-01计算机视觉

12-02卷积运算(Convolution Operation)

12-03卷积神经网络(卷积层、汇聚层)

12-04R案例

13章循环神经网络

13-01文本数据与词嵌套(WordingEmbedding)

13-02循环神经网络(RecurrentNeural Network)

13-03长短期记忆模型(LSTM)

13-04门控循环单元(GRU)

13-05R案例

14章主成分分析

14-01总体中的主成分分析

14-02样本中的主成分分析

14-03 方差分解与降维

14-04主成分回归

14-05R案例

15章聚类分析

15-01K-均值聚类(K-meansClustering)

15-02分层聚类(Hierarchical Clustering)

15-03树状图

15-04R案例

16章机器学习在经管社科的应用

16-01精读几篇在经管社科顶刊发表的经典机器学习论文