培训课时： 24小时

培训天数： 6小时/天

课程内容：天数模块名称课程内容**天Python及数据科学基础

机器学习必备基础知识点1 numpy数组

2 scipy 矩阵

3 matplotlib数据可视化

4 pandas 数据分析

5 scikit-learn统计建模

6 Tensorflow深度学习及神经网络

7 gensim文本处理

**阶段 掌握基本ML模型 打开ML大门

1 回归问题与应用

知识点1：线性回归

知识点2：logistic回归

知识点3：梯度下降

知识点4：实际工程海量数据下的logistic回归使用

2 决策树与树集成模型

知识点1：不同类型的分类树模型

知识点2：决策树回归

知识点3：树模型过拟合与优化

知识点4：使用随机森林进行数据分类

3 SVM

知识点1：线性可分支持向量机、线性支持向量机

知识点2：非线性支持向量机

知识点3：SMO

第二阶段 重中之重 特征工程

4 机器学习中的特征工程处理

知识点1：数据清洗、异常点处理

知识点2：特征抽取、选择与组合策略第二天数据挖掘架构设计及常用数据挖掘模型常见数据挖掘算法与模型详解，重点对决策树算法、聚类算法等给出详细设计和处理流程。

内容一：常见数据挖掘算法

1、常见挖掘算法应用的背景

2、 决策树算法与模型设计

3、 聚类算法与模型设计

4、 关联规则算法与模型设计

5、 贝叶斯算法与模型设计

6、 时间序列算法与模型设计

7、 其他挖掘算法与模型设计

内容二：常用挖掘模型详解

1、决策树算法详解及工具实现

2、聚类算法详解及工具实现

3、关联规则算法详解及工具实现

4、贝叶斯算法详解及工具实现

5、时间序列算法详解及工具实现

6、数据挖掘模型评估第三天电子商务网站用户行为分析

及服务推荐实战1、项目背景与挖掘目标

2、分析方法与过程

3、数据抽取

4、数据探索分析

5、数据预处理

6、模型构建

7、项目总结与分析第四天基于基站定位数据的商圈

分析实战1、项目背景与挖掘目标

2、分析方法与过程

3、数据抽取

4、数据探索分析

5、数据预处理

6、模型构建

7、项目总结与分析

实战项目：系统负载分析与磁盘容量预测