机器学习已经成为继理论、实验和数值计算之后的科研“第四范式”，是发现新规律，总结和分析实验结果的利器。机器学习涉及的理论和方法繁多，编程相当复杂，一直是阻碍机器学习大范围应用的主要困难之一，由此诞生了Python，R，SAS，STAT等语言辅助机器学习算法的实现。在各种语言中，R语言以编程简单，方法先进脱颖而出。
| 专题一：基础知识 | 1.机器学习的基本概念 2.机器学习建模过程 3.特征工程 |
| 专题二：回归 | 1.线性回归略谈 2.岭回归 3.偏最小二乘法 4.Lasso回归与最小角度回归  5.弹性网回归 |
| 专题三：树形模型 | 1.分类回归树 2.随机森林
|
| 专题四：集成学习 | 1.梯度提升法 2.装袋法 3.GBM与随机GBM 4. XGBOST 5.总结
|
| 专题五：其它方法 | 1.支持向量机 2.深度学习基础 3.可解释的机器学习
|
| 专题六：降维 | 1.主成分分析 2.广义低秩模型 3.Autoenconders
|
| 专题七：聚类与分类 | 1.K-均值聚类 2.分层聚类 3.K-近邻分类 4.Logistic回归  |
原文链接
https://mp.weixin.qq.com/s?__biz=MzUyNzczMTI4Mg==&mid=2247611539&idx=5&sn=3722802a0108068bae7aa343c938bf43&chksm=fa786baecd0fe2b8305491aa58ce81293b52c36d82dc6bf0e09046fa4fc0060a55727cf6562b&token=587071001&lang=zh_CN&scene=21#wechat_redirect
