一、课程亮点：

　　本次“机器学习及R应用”五天现场班将面向所有行业与学科的人士、老师与学生(包含经管社科、医学卫生等领域)。本课程的大特色在于“一站式服务”，从机器学习的原理、数学推导，到R语言命令与经典案例，无不精心设计、丝丝入扣，理论联系实操，让学员们迅速理解机器学习的精髓，并掌握为流行的数据科学软件R语言操作。

　　二、学习目标：

　　迅速理解机器学习的精髓，并掌握为流行的数据科学软件R语言操作。

　　三、课程内容：

　　01章机器学习引论

　　01-01什么是机器学习

　　01-02机器学习的分类与术语

　　01-03案例：垃圾邮件过滤;手写体数字识别;图像识别;自动驾驶

　　02章R语言入门

　　02-01Why R?

　　02-02安装R与RStudio

　　02-03R的对象(vector, matrix, data frame,list)

　　02-04面向对象的函数式语言

　　02-05R语言画图

　　03章惩罚回归

　　03-01OLS

　　03-02RidgeRegression

　　03-03Lasso

　　03-04ElasticNet

　　03-05交叉验证 (Cross-validation)

　　03-06PostDouble Lasso and IV Lasso

　　03-07R案例

　　04章线性分类

　　04-01Logit

　　04-02多项Logit

　　04-03贝叶斯决策理论

　　04-04线性判别分析

　　04-05二次判别分析

　　04-06ROC/AUC

　　04-07R案例

　　05章朴素贝叶斯

　　05-01朴素贝叶斯

　　05-02拉普拉斯修正

　　05-03R案例

　　06章K近邻法

　　06-01KNN forRegression

　　06-02KNN forClassification

　　06-03偏差与方差的权衡

　　06-04维度灾难

　　06-05R案例

　　07章决策树

　　07-01分类树

　　07-02分裂准则(错分率、基尼指数、信息熵)

　　07-03修枝与交叉验证

　　07-04回归树

　　07-05R案例

　　08章装袋法与随机森林

　　08-01集成学习(Ensemble Learning)

　　08-02装袋法(Bagging)

　　08-03随机森林(Random Forest)

　　08-04变量重要性(Variable Importance)

　　08-05偏依赖图(Partial Dependence Plot)

　　08-06R案例

　　09章提升法

　　09-01自适应提升法 (AdaBoost)

　　09-02AdaBoost的统计解释

　　09-03梯度提升法 (Gradient Boosting Machine)

　　09-04R案例

　　10章支持向量机

　　10-01MaximalMargin Classifier

　　10-02SoftMargin

　　10-03SupportVector Machine

　　10-04KernelTrick

　　10-05R案例

　　11章前馈神经网络

　　11-01前馈神经网络

　　11-02反向传播算法(Back-propagation Algorithm)

　　11-03随机梯度下降(Stochastic Gradient Descent)

　　11-04神经网络的过拟合

　　11-05深度学习的发展

　　11-06R案例

　　12章 卷积神经网络

　　12-01计算机视觉

　　12-02卷积运算(Convolution Operation)

　　12-03卷积神经网络(卷积层、汇聚层)

　　12-04R案例

　　13章循环神经网络

　　13-01文本数据与词嵌套(WordingEmbedding)

　　13-02循环神经网络(RecurrentNeural Network)

　　13-03长短期记忆模型(LSTM)

　　13-04门控循环单元(GRU)

　　13-05R案例

　　14章主成分分析

　　14-01总体中的主成分分析

　　14-02样本中的主成分分析

　　14-03 方差分解与降维

　　14-04主成分回归

　　14-05R案例

　　15章聚类分析

　　15-01K-均值聚类(K-meansClustering)

　　15-02分层聚类(Hierarchical Clustering)

　　15-03树状图

　　15-04R案例

　　16章机器学习在经管社科的应用

　　16-01精读几篇在经管社科顶刊发表的经典机器学习论文