### 机器学习课程 （copyright by greedyai）
| 日期 | 主题 | 知识点详情 | 项目 |
|---------|---------|---------|---------|
|6月23日（13:00-14:30） | 机器学习介绍 | 1.1 机器学习、深度学习与人工智能1.2 监督学与非监督学习1.3 回归于分类1.4 强化学习1.5 科学库的使用1.6 数据预处理技术|[实践] 通过投放广告的金额预测销售额|
|6月26日（20:00-21:30） | K-NN 最近邻 | 2.1 K-NN的核心思想2.2 利用K-NN解决分类问题2.3 利用K-NN解决回归问题 | [实战] 预测市场中二手车的价格|
|6月30日（13:00-14:30） | 线性回归与逻辑回归 |3.1 线性回归原理3.2 逻辑回归原理3.3 逻辑回归的目标函数3.4 梯度下降法3.5 随机梯度下降法| [实战一] 预测A股哪些股票会涨[实战二] 预测是否银行客户会开设定期存款帐户|
|7月3日（20:00-21:30） | 朴素贝叶斯 | 4.1 朴素贝叶斯原理4.2 朴素贝叶斯与垃圾邮件识别问题4.3 为什么叫朴素？4.4 文本与单词的表示4.5 tf-idf文本向量| [实战] 把新闻按照不同主题做分类|
|7月7日（13:00-14:30） | SVM支持向量机 | 5.1 Margin的介绍5.2 SVM的核心思想5.3 线性SVM的原理5.4 限制条件与Hinge Loss5.5 如何将二元分类器转为多元分类器| [实战] 基于SVM的人脸识别引擎|
|7月14日（20:00-21:30） | 决策树与随机森林 | 6.1 决策树的介绍6.2 熵与信息增益6.3 决策树核心原理6.4 欠拟合与过拟合6.5 从决策树到随机森林6.6 随机森林的训练6.7 集成学习方法优点|[实战] 预测哪些员工可能会离职|
|7月17日（13:00-14:30） | Boosting |7.1 Boosting与Bagging方法比较7.2 Boosting的核心原理7.3 GBDT的介绍7.4 XGBoost的介绍|[实战] 搭建金融评分卡模型做风险控制|
|7月21日（20:00-21:30） | 矩阵分解 | 8.1 什么是隐含变量8.2 矩阵分解介绍8.3 矩阵分解的目标函数8.4 梯度下降法8.5 矩阵分解与商品推荐|[实战] 搭建电商商品的推荐系统|
|7月24日（13:00-14:30） | K-means | 9.1 K-means算法原理9.2 K-means与EM9.3 随机初始化与局部最优解9.4 距离计算的潜在问题9.5 K-means++介绍|[实战] 通过用户分群优化营销流程|
|7月28日（20:00-21:30） | 主题模型 | 10.1 贝叶斯模型的特点10.2 贝叶斯模型与集成模型10.3 采样与近似优化10.4 吉布斯采样10.5 主题模型中的混合主题提取10.6 如何判断收敛|[实战] 搭建情感分析系统|
### 机器学习特训营预习
| 时间安排 | 知识点 | 视频地址 |
|---------|:---------:|---------|
|贪心学院《机器学习特训营》预习课 第一天 |anaconda安装 /jupyternotebook安装|https://zhuanlan.zhihu.com/p/69021839|
|贪心学院《机器学习特训营》预习课 第二天|矩阵的数学理解|https://zhuanlan.zhihu.com/p/69177926|
|贪心学院《机器学习特训营》预习课 第三天|排序算法|https://zhuanlan.zhihu.com/p/69491107|
|贪心学院《机器学习特训营》预习课 第四天|贝叶斯定理|https://zhuanlan.zhihu.com/p/69492871|
|贪心学院《机器学习特训营》预习课 第五天|插入排序的代码实现|https://zhuanlan.zhihu.com/p/69836202|
|贪心学院《机器学习特训营》预习课 第六天|导数的理解|https://zhuanlan.zhihu.com/p/69933889|
|贪心学院《机器学习特训营》预习课 第七天|简单的优化|https://zhuanlan.zhihu.com/p/70111190|
Machine-Learning-demo【程序员VIP专用】.zip （70个子文件） 
Machine-Learning-demo【程序员VIP专用】 4.Naive Bayes 
slide.pdf 883KB data_spam 
spam.csv 492KB NB_sentiment.ipynb 10KB data_sentiment 
train.negative.txt 644KB train.positive.txt 1.02MB stopwords.txt 5KB test.combined.txt 547KB 朴素贝叶斯-预习部分.pdf 704KB NB_spam_detection.ipynb 22KB slide_annotated.pdf 6.04MB 1.introduction Linear Regression.ipynb 50KB
《机器学习介绍》 预习资料.pptx 10.84MB data Advertising.csv 2KB 机器学习课后阅读补充.pptx 3.28MB exercise height.vs.temperature.csv 250B 5.SVM svm.ipynb 478KB svm.pdf 7.84MB homework mushrooms.csv 365KB SVM-homework.Mushroom.ipynb 21KB 7.K-Means K-means_annotated.pptx 3.68MB Kmeans_impl.ipynb 105KB sample.jpeg 248KB customer_segment.ipynb 88KB K-Means.pptx 3.95MB
sample1.jpg 140KB VectorQuantization.ipynb 30KB data.csv 68KB
WineKMC.xlsx 374KB sample2.jpeg 29KB 3.LinearRegression.LogisticRegression LinearRegression 线性回归.pdf 1.67MB 000001.csv 62KB stock-prediction-linear-regression.ipynb 3.12MB homework titanic_data.csv 86KB titanic-logistic-regression-homework.ipynb 220KB LogisticRegression banking.csv 4.62MB LogisticRegression.pdf 3.89MB term.deposit.ipynb 143KB 8.Recommender Short.Video.Recommender.ipynb 7KB Recommender.Matrix.Factorization.pdf 8.01MB ml-100k u.data 1.89MB ~$Recommender.Matrix.Factorization.pptx 165B homework .DS_Store 8KB Book.Recommender.ipynb 7KB book_crossing book_ratings.dat 1.13MB 9.Boosting GradientBoosting.pptx 8.43MB Load_Prediction.ipynb 180KB LoanStats3a_2.csv 40.44MB GradientBoosting_annotated.pdf 12.75MB README.md 3KB 2.KNN KNN.ipynb 350KB knn.regression.ipynb 85KB data.csv 646B KNN_annotated.pdf 7.28MB KNN.pdf 2.34MB README.md 434B 10.TopicModels slide.pptx 936KB sentiment starter_code.ipynb 68KB data train.negative.txt 644KB train.positive.txt 1.02MB stopwords_ch.txt 5KB test.combined.txt 547KB .ipynb_checkpoints starter_code-checkpoint.ipynb 68KB LDA_tutorial.ipynb 6KB slide_annotated.pdf 4.09MB 6.DecisionTree.RandomForest .DS_Store 6KB DecisionTree.RandomForest.ipynb 262KB HR_comma_sep.csv 539KB homework Diabetes-For-Student.Test.ipynb 2.64MB pima-indians-diabetes.csv 23KB DecisionTree.RandomForest.pdf 6.67MB资源评论
