Python機器學習算法實戰

【課程目標】

本課程為高級課程，專注于機器學習算法，原理，以及算法實現及優化。

通過本課程的學習，達到如下目的：

1、 熟悉常見的機器學習的算法。

2、 掌握機器學習的算法原理，以及數據推導。

3、 學會使用Python來實現機器學習算法，以及優化算法。

4、 掌握scikit-learn擴展庫來實現機器學習算法。

【授課時間】

2-3天時間

【授課對象】

IT系統部、大數據系統開發部、大數據建模等IT技術人員。

【學員要求】

本課程只講算法實現，不涉及完整的數據建模和模型使用，所以要求學員之前已經掌握數據建?；A，熟悉建模過程。

1、 每個學員自備一臺便攜機(必須)。

2、 要求有Python開發基礎，事先安裝Python 3.9版本以上。

3、 要求有基本的數據分析和數據挖掘的知識。

注：講師現場提供開源的安裝程序、擴展庫，以及現場分析的數據源。

【授課方式】

機器學習任務 + 算法原理 + 數學推導 + Python實現

從任務出發，了解算法原理，以及數學推導過程，全過程演練操作，讓學員在分析、分享、講授、總結、自我實踐過程中獲得能力提升。

【課程大綱】

第一部分： 機器學習基礎

1、 機器學習簡介

2、 機器學習的種類

? 監督學習/無監督學習/半監督學習/強化學習

? 批量學習和在線學習

? 基于實例與基于模型

3、 機器學習的主要戰挑

? 數據量不足

? 數據質量差

? 無關特征

? 過擬合/擬合不足

4、 機器學習任務

? 監督：分類、回歸

? 無監督：聚類、降維、關聯規則

5、 機器學習基本過程

6、 機器學習常用庫

第二部分： 回歸算法實現

1、 建模的本質，其實是一個最優化問題

2、 回歸模型的基礎

3、 基本概念：損失函數

4、 線性回歸常用算法

? 普通最小二乘法OLS

? 梯度下降算法

? 牛頓法/擬牛頓法

5、 最小二乘法

a) 數學推導

b) OLS存在的問題

6、 過擬合解決方法：正則化

? 嶺回歸（Ridge）

? 套索回歸Lasso

? ElasticNet回歸

? 各種算法的適用場景

7、 超大規模數據集的回歸模型：迭代算法

? 梯度概念

? 梯度下降/上升算法

? 批量梯度BGD/隨機梯度SGD/小批量梯度MBGD

? 學習率的影響

? 早期停止法

8、 梯度算法的關鍵問題

9、 牛頓法/擬牛頓法

? 泰勒公式(Taylor)

? 牛頓法(Newton)

? 擬牛頓法(Quasi-Newton)的優化

2 DFP/BFGS/L-BFGS

10、 算法比較

第三部分： 邏輯回歸算法

1、 邏輯回歸基礎

2、 LR的常用算法

? 最大似然估計法

? 梯度算法

? 牛頓法

3、 最大似然估計法

? 似然函數/損失函數

? 數學推導

4、 模型優化

? 迭代樣本的隨機選擇

? 變化的學習率

5、 邏輯回歸+正則項

6、 求解算法與懲罰項的關系

7、 多元邏輯回歸處理

? ovo

? ovr

? 優缺點比較

8、 邏輯回歸建模實戰

案例：用sklearn庫實現銀行貸款違約預測

案例：訂閱者用戶的典型特征（二元邏輯回歸）

案例：通信套餐的用戶畫像（多元邏輯回歸）

第四部分： 決策樹算法

1、 決策樹簡介

演練：識別銀行欠貨風險，提取欠貸者的特征

2、 決策樹的三個關鍵問題

? 最優屬性選擇

2 熵、基尼系數

2 信息增益、信息增益率

? 屬性最佳劃分

2 多元劃分與二元劃分

2 連續變量最優劃分

? 決策樹修剪

2 剪枝原則

2 預剪枝與后剪枝

3、 構建決策樹的算法

? ID3、C4.5、C5.0

? CART

4、 決策樹的超參優化

5、 決策樹的解讀

6、 決策樹建模過程

案例：商場酸奶購買用戶特征提取

案例：客戶流失預警與客戶挽留

案例：識別拖欠銀行貨款者的特征，避免不良貨款

案例：識別電信詐騙者嘴臉，讓通信更安全

案例：電力竊漏用戶自動識別

第五部分： 神經網絡算法

1、 神經網絡簡介（ANN）

2、 神經元基本原理

? 加法器

? 激活函數

3、 神經網絡的結構

? 隱藏層數量

? 神經元個數

4、 神經網絡的建立步驟

5、 神經網絡的關鍵問題

6、 BP算法實現

7、 MLP多層神經網絡

8、 學習率的設置

案例：評估銀行用戶拖欠貨款的概率

案例：神經網絡預測產品銷量

第六部分： 線性判別算法

1、 判別分析簡介

2、 判別分析算法

? 中心和方差

? 類間散席Sb

? 類內散席Sw

3、 特征值和特征向量

4、 多分類LDA算法

5、 算法實戰

案例：MBA學生錄取判別分析

案例：上市公司類別評估

第七部分： 最近鄰算法（KNN）

1、 KNN的基本原理

2、 K近鄰的關鍵問題

? 距離公式

? 投票機制

3、 KNN算法實現

? Brute（蠻力計算）

? Kd_tree（KD樹）

? Ball_tre（球樹）

4、 算法比較

第八部分： 貝葉斯算法（NBN）

1、 貝葉斯簡介

2、 貝葉斯分類原理

? 先驗概率和后驗概率

? 條件概率和類概率

3、 常見貝葉斯網絡

4、 計算類別屬性的條件概率

5、 估計連續屬性的條件概率

6、 預測分類概率（計算概率）

7、 拉普拉斯修正

案例：評估銀行用戶拖欠貨款的概率

第九部分： 支持向量機算法（SVM）

1、 支持向量機簡介

? 適用場景

2、 支持向量機原理

? 支持向量

? 最大邊界超平面

3、 線性不可分處理

? 松弛系數

4、 非線性SVM分類

5、 常用核函數

? 線性核函數

? 多項式核

? 高斯RBF核

? 核函數的選擇原則

6、 SMO算法

第十部分： 模型集成優化篇

1、 模型的優化思想

2、 集成模型的框架

? Bagging

? Boosting

? Stacking

3、 集成算法的關鍵過程

? 弱分類器如何構建

? 組合策略：多個弱學習器如何形成強學習器

4、 Bagging集成算法

? 數據/屬性重抽樣

? 決策依據：少數服從多數

? 隨機森林RandomForest

5、 Boosting集成算法

? 基于誤分數據建模

? 樣本選擇權重更新

? 決策依據：加權投票

? AdaBoost模型

6、 GBDT模型

7、 XGBoost模型

8、 LightGBM模型

第十一部分： 聚類分析（客戶細分）實戰

1、 聚類基本原理

2、 K均值聚類算法

? K均值算法

3、 距離計算公式

? 閔可夫斯基距離(Minkowski Distance)

? 曼哈頓距離(Manhattan Distance)

? 歐氏距離(Euclidean Distance)

? 切比雪夫距離(Chebyshev Distance)

? 余弦距離(Cosine)

? Pearson相似距離

? 馬哈拉諾比斯距離（Mahalanobis）

? 漢明距離(Hamming distance)

? 杰卡德相似系數(Jaccard similarity coefficient)

? 相對熵（K-L距離）

4、 K均值算法的關鍵問題

? 初始中心的選取方式

? 最優K值的選取

5、 聚類算法的評價方法

? Elbow method（手肘法）

? Calinski-Harabasz Index（CH準則法）

? Silhouette Coefficient（輪廓系數法）

? Gap Statistic（間隔統計量法）

? Canopy算法

6、 算法實戰

案例：使用SKLearn實現K均值聚類

第十二部分： 關聯規則算法

1、 關聯規則基本原理

2、 常用關聯規則算法

? Apriori算法

2 發現頻繁集

2 生成關聯規則

? FP-Growth算法

2 構建FP樹

2 提取規則

3、 算法實戰

案例：使用apriori庫實現關聯分析

案例：中醫證型關聯規則挖掘

第十三部分： 協同過濾算法

1、 協同過濾基本原理

2、 協同過濾的兩各類型

? 基于用戶的協同過濾UserCF

? 基于物品的協同過濾ItemCF

3、 相似度評估常用公式

4、 UserCF算法實現

? 計算用戶間的興趣相似度

? 篩選前K個相似用戶

? 合并相似用戶購買過的物品集

? 剔除該用戶已經購買過的產品，得到候選物品集

? 計算該用戶對物品的喜歡程度，物品集排序

? 優先推薦前N個物品

5、 ItemCF算法實現

? 計算物品間的相似度

? 篩選前K個喜歡的物品

? 合并與前K個物品相似的前L個物品集

? 剔除該用戶已經購買過的物品，得到候選物品集

? 計算該用戶到候選物品的喜愛程度，物品排序

? 優先推薦前N個物品

6、 關于冷啟動問題

7、 協同過濾算法比較

結束：課程總結與問題答疑。