目錄
一、機器學習概念入門
二、機器學習數學基礎
三、機器學習語言基礎之Python語言
四、Python資料分析庫實戰
五、用戶標簽預測專案實戰
六、推薦系統
七、CTR點擊率預估實戰
八、機器學習面試必備
隨著人工智能的發展，從事機器學習、資料挖掘等相關作業，包括推薦演算法工程師、資料挖掘工程師、機器學習工程師，填補人工智能領域人才稀缺就業前景非常好，因此學習機器學習的人越來越多，不過這一方面的要求也很高的啦~
機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法復雜度理論等多門學科，接下來小編介紹機器學習的的內容：
一、機器學習概念入門
學習內容：
- 課程設定及大資料和機器學習區別
- 大資料時代究竟改變了什么
- 大資料架構體系和機器學習在大資料架構位置
- 以推薦系統為例
- 人工智能應用場景
- 人工智能各概念的區別和聯系
- 什么是機器學習問題
- 基于規則的學習和基于模型的學習
- 機器學習各概念詳解
- 機器學習概念補充及分類淺析
- 監督學習詳解
- 無監督學習詳解
- 半監督學習詳解
- 強化學習和遷移學習
- 機器學習三要素理解
- 機器學習模型選擇
- 進入機器學習最佳時機
二、機器學習數學基礎
學習內容：
- 高中基礎
- sigmod函式求導
- tanh函式
- 凸函式
- 機器學習高數必備
三、機器學習語言基礎之Python語言
學習內容：
- 機器學習語言基礎
- python基礎介紹
- Python安裝及第三方庫使用
- 安裝Anaconda及組件介紹
- jupyter詳解
- Pycharm和Anaconda整合
- Python3編碼和解碼原理
- 包的匯入多種形式
- Python資料型別
- Python亂數和常變數表示
- Python輸入詳解
- Python格式化輸出
- 機器學習語言-Python快捷鍵
四大資料結構詳解學習內容：
- list集合
- list函式詳解
- tuple函式詳解
- dict資料結構詳解
- dict函式詳解
- 集合的內容
- 串列運算式
- 元祖和生成器推導式
- 函式型別詳解
- 引數型別
- lambda和reduce含糊
- 條件控制陳述句
- 檔案讀寫例外資訊
- 面向物件程序
- GUI程式設計
四、Python資料分析庫實戰
Python資料分析庫實戰學習內容：
- 卷積操作實踐
- 亂數創建方式
- array創建方式
- 矩陣的其他創建方式
- 矩陣的分析方法
- 矩陣的運算及分解實戰詳解
- Series
- DataFrame的詳解
- Pandas統計計算實踐
- Pandas的讀取檔案操作
Python資料分析庫實戰學習內容：
- 矩陣基礎知識詳解
- 了解其他矩陣
- 矩陣分解
- 特征降維及PCA引入
- 新坐標基的表示
- PCA演算法思想及步驟
- PCA演算法舉例
- PCA實踐
- matplotlib繪圖基礎
- Matlotlib繪制不同圖形
- Grid和legend實戰
- 基礎方式繪制圖形
- 機器學習語言-面相物件方式繪制及總結
五、用戶標簽預測專案實戰
1、用戶畫像標簽預測實戰學習內容：
- 機器學習應用
- 用戶畫像基礎
- 理解用戶畫像資料
- 應用標簽系統
- 用戶畫像建模基礎
- 決策時引入
- 基于規則建樹
- 構建決策樹三要素及熵定義
- ID3演算法及改進
- 剪枝
- 如何計算資訊增益舉例
- 相親資料集實戰
- 相親資料集實踐改進
- iris鳶尾花識別
- 手寫體識別資料
2、集成學習演算法學習內容：
- Gini系數詳解
- Cart樹舉例
- Gini系數演變程序
- 集成學習分類
- 資料挖掘實戰-隨機森林原理詳解
- Bagging演算法
- 模型偏差和方差理解
- 資料挖掘實戰
- Adaboost演算法詳解
- Adaboost演算法數學原理
- Adaboost演算法原理舉例
- Adaboost演算法推廣到多分類
- GBDT演算法了解
六、推薦系統
1、推薦系統入門：
- 模型保存
- 交叉驗證方法
- 網格搜索
- 管道pipeline
- 什么是推薦系統及了解推薦引擎
- 推薦系統演算法簡介
- 用戶的相似度和物品相似度度量
- 相似度計算
- UserCF
- itemCF
- UserCF和ItemCF區別和聯系
- 代碼講解
- UserCF代碼實戰
- ItemCF
- 架構設計
2、推薦案例實戰：
- 基于KNN推薦詳解
- 基于surprise庫API實踐
- 基于surprise電影推薦
- 基于SVD分解
- 音樂推薦
- SaprkMllib簡介
- Spark MLLIB的Vec
- SparkMLLIB基本資料型別及統計量實作
- SparkMLLIB特征處理
- 1SparkMLLIB隨機森林及GBDT
- LFM隱因子分解理論基礎
- SparkALS推薦
- SparkALS代碼實戰
3、電商資料推薦案例實戰學習內容：
- 推薦演算法基于知識的推薦簡介
- 使用關聯挖掘演算法的基礎概念
- Apriori演算法
- 候選項集產生其他方法
- Apriori演算法舉例
- Aprori演算法和FPGrowth演算法總結
- FPGrowth演算法Spark實作詳解
- FPGrowth實戰推薦演算法專案
- 基于內容的推薦簡介
- 推薦演算法-樸素貝葉斯演算法及推薦適應
- 圖資料庫
七、CTR點擊率預估實戰
學習內容：
- 推薦演算法
- Ctr業務描述
- 混合推薦演算法(架構)
- 推薦系統評測方法
- 推薦專案實體簡介
- 天池比賽
- LR基礎
- LR原理詳解
- 各大平臺使用Ctr技術架構
- Ctr的前沿技術
八、機器學習面試必備
學習內容：
- 機器學習面試必備
- 簡歷寫法及注意事項
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/289163.html
標籤：AI