课程简介：
课程目标：
本课程特点是从数学层面推导最经典的机器学习算法，以及每种算法的示例和代码实现（Python）、如何做算法的参数调试、以实际应用案例分析各种算法的选择等。
内容特色：
1.每个算法模块按照“原理讲解→分析数据→自己动手实现→特征与调参”的顺序，“原理加实践，顶天立地”。
2.拒绝简单的“调包”——增加3次“机器学习的角度看数学”和3次“Python数据清洗和特征提取”，提升学习深度、降低学习坡度。
3.增加网络爬虫的原理和编写，从获取数据开始，重视将实践问题转换成实际模型的能力，分享工作中的实际案例或Kaggle案例：广告销量分析、环境数据异常检测和分析、数字图像手写体识别、Titanic乘客存活率预测、用户-电影推荐、真实新闻组数据主题分析、中文分词、股票数据特征分析等。
4.强化矩阵运算、概率论、数理统计的知识运用，掌握机器学习根本。
5.阐述机器学习原理，提供配套源码和数据；确保“懂推导，会实现”。
6.删去过于晦涩的公式推导，代之以直观解释，增强感性理解。
7.对比不同的特征选择带来的预测效果差异。
8.重视项目实践(如工业实践、Kaggle等)，重视落地。思考不同算法之间的区别和联系，提高在实际工作中选择算法的能力。
9.涉及和讲解的部分Python库有：Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn，涉及的其他“小”库在课程的实践环节会逐一讲解。
官方课程链接：http://www.chinahadoop.cn/course/1068
课程目录：
第一课：机器学习与数学分析
第二课：概率论与贝叶斯先验
第三课：矩阵和线性代数
第四课：Python基础
第五课：Python基础2 - 机器学习库
第六课：Python基础3 - 数据清洗和特征选择
第七课：回归
第八课：Logistic回归
第九课：回归实践
第十课：决策树和随机森林
第十一课：决策树和随机森林实践
第十二课：提升
第十三课：提升实践
第十四课：SVM
第十五课：SVM实践
第十六课：聚类（上）
第十七课：聚类（下）
第十八课：聚类实践
第十九课：EM算法
第二十课：EM算法实践
第二十一课：主题模型LDA
第二十二课：LDA实践
第二十三课：隐马尔科夫模型HMM
第二十四课：HMM实践
