第一章  配置开发环境
  第一节  Anaconda下载与安装
  第二节  Jupyter基本操作
  第三节  升级与维护
第二章  机器学习的基本概念
  第一节  机器学习概念
  第二节  建模准备
  第三节  模型训练
  第四节  建模流程
第三章  文件管理和KNN
  第一节  设置工作文件夹
  第二节  虚拟环境的设置
  第三节  KNN算法原理
  第四节  预测案例
  第五节  K折交叉验证
第四章  线性回归
  第一节  线性回归方程
  第二节  误差分析
  第三节  似然函数求解
  第四节  回归求解
  第五节  梯度下降
  第六节  评价指标
  第七节  案例
第五章  逻辑回归
  第一节  Sigmod函数
  第二节  逻辑回归本质
  第三节  阈值
  第四节  参数估计
  第五节  评估指标
第六章  K—means聚类算法
  第一节  聚类算法的特征
  第二节  算法原理
  第三节  常用参数
  第四节  K—means优缺点
第七章  决策树
  第一节  决策树历史
  第二节  决策树原理
  第三节  熵
  第四节  构造实例
  第五节  信息增益率和gini系数
  第六节  回归决策树
  第七节  剪枝方法
  第八节  决策树优缺点
第八章  集成算法
  第一节  随机森林
  第二节  boosting算法
  第三节  stacking模型
  第四节  随机森林参数
第九章  AdaBoost算法
  第一节  算法原理
  第二节  算法流程
  第三节  参数求解
  第四节  AdaBoost参数
第十章  梯度提升树
  第一节  GBDT’概述
  第二节  数学流程
  第三节  GBDT优缺点
  第四节  GBDT调参
第十一章  降维算法
  第一节  “维”的解释
  第二节  。PCA与SvD
第十二章  朴素贝叶斯
  第一节  朴素贝叶斯原理
  第二节  朴素贝叶斯分类器
  第三节  评估指标
  第四节  朴素贝叶斯优缺点
  第五节  应用场景
第十三章  LGBM算法
  第一节  LGBM原理概述
  第二节  LGBM相关技术
  第三节  GOSS采样与直方图优化算法
  第四节  LGBM数学推导
参考文献