Primary-algorithm-combing

课程设计：苏静、康兵兵

组队学习说明：通过查阅书籍或参考文献、学习视频等，对传统机器学习算法进行梳理

任务路线：线性回归--->逻辑回归--->决策树

组队学习周期：7天

定位人群：有概率论、矩阵运算、求导、泰勒展开等基础数学知识

难度系数：低

每个任务完成大概所需时间：2-3h

【任务1 - 线性回归算法梳理】时长：2天

1. 机器学习的一些概念 有监督、无监督、泛化能力、过拟合欠拟合(方差和偏差以及各自解决办法)、交叉验证
2. 线性回归的原理
3. 线性回归损失函数、代价函数、目标函数
4. 优化方法(梯度下降法、牛顿法、拟牛顿法等)
5. 线性回归的评估指标
6. sklearn参数详解

学习时长：两天

参考：

西瓜书

cs229吴恩达机器学习课程

李航统计学习

谷歌搜索

公式推导参考：http://t.cn/EJ4F9Q0

【任务2 - 逻辑回归算法梳理】时长：2天

1、逻辑回归与线性回归的联系与区别 2、 逻辑回归的原理 3、逻辑回归损失函数推导及优化 4、 正则化与模型评估指标 5、逻辑回归的优缺点 6、样本不均衡问题解决办法

7. sklearn参数

学习时长：两天

参考：

西瓜书

cs229吴恩达机器学习课程

李航统计学习

谷歌搜索

公式推导参考：http://t.cn/EJ4F9Q0

【任务3 - 决策树算法梳理】时长：2天

1. 信息论基础（熵 联合熵 条件熵 信息增益 基尼不纯度） 2.决策树的不同分类算法（ID3算法、C4.5、CART分类树）的原理及应用场景
2. 回归树原理
3. 决策树防止过拟合手段
4. 模型评估
5. sklearn参数详解，Python绘制决策树

学习时长：两天

参考：西瓜书

cs229吴恩达机器学习课程

李航统计学习

谷歌搜索

公式推导参考：http://t.cn/EJ4F9Q0