课程时长：3天

1.1单参数线性回归Linear Regression with one variable

　　1）曲线拟合Curve fitting

　　2）误差函数 Error function

　　3）bowl-shape function

　　4）梯度下降 Gradient descending

　　5）学习率 Learning rate

　　6）案例实现与分析 case

1.2 多变量线性回归Linear Regression with multiple variable

　　1）多特征 Multi-features

　　2）单参数的梯度递降单变量学习方法、多参数梯度下降学习方法

　　3）特征归一化 Normalization

　　4）学习率 Learning rate

　　5）特征和多项式回归 Regression

　　6）Normal Equation

　　7）案例实现与分析 Case

1.3 逻辑回归和过拟合问题Logistic Regression & Regularization

　　1）分类classification

　　2）假设表达Hypothesis Representation

　　3）判定边界Decision Boundary

　　4）损失函数Cost Function

　　5）简化损失函数和梯度下降Simplified Cost Function and Gradient Descent

　　6）参数优化Parameter Optimization

　　7）多类分类Multiclass classification

　　8）过拟合问题The problem of overfitting

　　9）规则化线性/逻辑回归Regularized Linear/Logistic Regression

　　10）案例实现与分析

1.4 神经网络Neural Network的表示

　　1）为什么引入神经网络

　　2）神经元与大脑

　　3）神经网络的表示形式

　　4）怎样用神经网络实现逻辑表达式

　　5）分类问题

　　6）案例实现与分析

1.5 神经网络学习Neural Networks Learning

　　1）代价函数Cost Function

　　2）后向传播算法Back Propagation algorithm

　　3）后向传播推导Back Propagation Intuition

　　4）梯度检测

　　5）随机初始化

　　6）案例实现与分析

1.6 怎样选择机器学习方法系统

　　1）候选机器学习方法

　　2）评价方法假设 error

　　3）模型选择和训练、验证实验数据

　　4）区别诊断偏离bias和偏差variance

　　5）正则化和偏差/方差

　　6）学习曲线：什么时候增加训练数据才是有效的

　　7）案例实现与分析

1.7 机器学习系统设计

　　1）决定基本策略

　　2）Error分析

　　3）对Skewed Classes建立Error Metrics

　　4）在精度Precision和召回率Recall间均衡

　　5）机器学习数据选定

　　6）案例实现与分析

1.8 支持向量机SVM

　　1）SVM的损失函数cost function

　　2）最大间距分类 判定边界

　　3）SVM核-Gaussian Kernel：非线性判定边界

　　4）核技巧：内积、相似度计算

　　5）SVM中高斯核的使用

　　6）SVM的使用与选择

　　7）案例实现与分析

1.9 聚类

　　1）无监督学习有密度估计与聚类-无标签的机器学习；

　　　 有监督学习有回归与分类-有标签的机器学习；

　　2）Kmeans聚类算法

　　3）聚类问题的代价函数

　　4）如何选择初始化时的类中心

　　5）聚类个数的选择

　　6）案例实现与分析

1.10 降维

　　1）为什么要降维

　　2）主成分分析PCA

　　3）从压缩数据中恢复元数据

　　4）怎样决定降维个数/主成分个数

　　5）应用PCA进行降维的建议

　　6）案例实现与分析