Python数据挖掘与机器学习

近年来Python编程语言受到越来越多科研人员的喜爱在多个编程语言排行榜中持续夺冠。同时伴随着深度学习的快速发展人工智能技术在各个领域中的应用越来越广泛。机器学习是人工智能的基础因此掌握常用机器学习算法的工作原理并能够熟练运用Python建立实际的机器学习模型是开展人工智能相关研究的前提和基础。

导师郁磊副教授主要从事Python/Matlab 编程、机器学习与数据挖掘、数据可视化和软件开发、生理系统建模与仿真、生物医学信号处理具有丰富的实战应用经验主编《MATLAB智能算法30个案例分析》、《MATLAB神经网络43个案例分析》相关著作。已发表多篇高水平的国际学术研究论文。

点击查看原文

Python编程入门
1、Python环境搭建 下载、安装与版本选择。

2、如何选择Python编辑器IDLE、Notepad++、PyCharm、Jupyter…

3、Python基础数据类型和变量、字符串和编码、list和tuple、条件判断、循环、函数的定义与调用等

4、常见的错误与程序调试

5、第三方模块的安装与使用

6、文件读写I/O

Python进阶与提高    

1、Numpy模块库Numpy的安装ndarray类型属性与数组的创建数组索引与切片Numpy常用函数简介与使用

2、Pandas模块库DataFrame数据结构、表格的变换、排序、拼接、融合、分组操作等

3、Matplotlib基本图形绘制线形图、柱状图、饼图、气泡图、直方图、箱线图、散点图等

4、图形样式的美化颜色、线型、标记、字体等属性的修改

5、图形的布局多个子图绘制、规则与不规则布局绘制、向画布中任意位置添加坐标轴

6、高级图形绘制3D图、等高线图、棉棒图、哑铃图、漏斗图、树状图、华夫饼图等

7、坐标轴高阶应用共享绘图区域的坐标轴、坐标轴刻度样式设置、控制坐标轴的显示、移动坐标轴的位置

特征工程

数据清洗

1、描述性统计分析数据的频数分析统计直方图数据的集中趋势分析算数平均值、几何平均数、众数、极差与四分位差、平均离差、标准差、离散系数数据的分布偏态系数、峰度数据的相关分析相关系数

2、数据标准化与归一化为什么需要标准化与归一化

3、数据异常值、缺失值处理

4、数据离散化及编码处理

5、手动生成新特征

变量降维 

1、主成分分析PCA的基本原理

2、偏最小二乘PLS的基本原理

特征选择
常见的特征选择方法优化搜索、Filter和Wrapper等前向与后向选择法区间法无信息变量消除法正则稀疏优化方法等

群优化算法
1、遗传算法Genetic Algorithm, GA的基本原理以遗传算法为代表的群优化算法的基本思想是什么粒子群算法、蜻蜓算法、蝙蝠算法、模拟退火算法等与遗传算法的区别与联系

2、遗传算法的Python代码实现

3、案例实践一一元函数的寻优计算

4、案例实践二离散变量的寻优计算特征选择

回归拟合模型

线性回归模型    

1、一元线性回归模型与多元线性回归模型回归参数的估计、回归方程的显著性检验、残差分析

2、岭回归模型工作原理、岭参数k的选择、用岭回归选择变量

3、LASSO模型工作原理、特征选择、建模预测、超参数调节

4、Elastic Net模型工作原理、建模预测、超参数调节

前向型神经网络

1、BP神经网络的基本原理人工智能发展过程经历了哪些曲折人工神经网络的分类有哪些BP神经网络的拓扑结构和训练过程是怎样的什么是梯度下降法BP神经网络建模的本质是什么

2、BP神经网络的Python代码实现怎样划分训练集和测试集为什么需要归一化归一化是必须的吗什么是梯度爆炸与梯度消失

3、BP神经网络参数的优化隐含层神经元个数、学习率、初始权值和阈值等如何设置什么是交叉验证

4、值得研究的若干问题欠拟合与过拟合、泛化性能评价指标的设计、样本不平衡问题等

5、极限学习机Extreme Learning Machine, ELM的工作原理

分类识别模型

KNN、贝叶斯分类与支持向量机    

1、KNN分类模型KNN算法的核心思想、距离度量方式的选择、K值的选取、分类决策规则的选择

2、朴素贝叶斯分类模型伯努利朴素贝叶斯BernoulliNB、类朴素贝叶斯CategoricalNB、高斯朴素贝叶斯besfGaussianNB、多项式朴素贝叶斯MultinomialNB、补充朴素贝叶斯ComplementNB

3、SVM的工作原理SVM的本质是解决什么问题SVM的四种典型结构是什么核函数的作用是什么什么是支持向量SVM扩展知识如何解决多分类问题SVM除了建模型之外还可以帮助我们做哪些事情

决策树、随机森林、LightGBM、XGBoost     

1、决策树的工作原理微软小冰读心术的启示什么是信息熵和信息增益ID3算法和C4.5算法的区别与联系决策树除了建模型之外还可以帮我们做什么事情

2、随机森林的工作原理为什么需要随机森林算法广义与狭义意义下的“随机森林”分别指的是什么“随机”体现在哪些地方随机森林的本质是什么怎样可视化、解读随机森林的结果

3、Bagging与Boosting的区别与联系

4、AdaBoost vs. Gradient Boosting的工作原理

5. 常用的GBDT算法框架XGBoost、LightGBM

聚类分析算法

K均值、DBSCAN、 层次聚类    

1、K均值聚类算法的工作原理

2、DBSCANDensity-Based Spatial Clustering of Applications with Noise聚类算法的工作原理

3、层次聚类算法的工作原理

关联分析算法

关联规则 协同过滤 Apriori算法    

1、关联规则算法的工作原理

2、协同过滤算法的工作原理

3、Apriori算法的工作原理

信息检索与常用科研工具    

1、如何无障碍地访问Google、YouTube等网站谷歌访问助手、VPN等

2、如何查阅文献资料怎样能够保证对最新论文的追踪

3、Google Scholar、ResearchGate的使用方法

4、应该去哪些地方查找与论文配套的数据和代码

5、文献管理工具的使用Endnote、Zotero等

6、当代码出现错误时应该如何高效率解决

总结

1、SCI不同分区的论文差别在哪些地方

你知道你的论文为什么显得很单薄吗

2、从审稿人的角度看SCI期刊论文需要具备哪些要素审稿人关注的点有哪些如何回应审稿人提出的意见

3、如何提炼与挖掘创新点如果在算法层面上难以做出原创性的工作如何结合自己的实际问题提炼与挖掘创新点

点击查看原文