机器学习已经成为继理论、实验和数值计算之后的科研“第四范式”，是发现新规律，总结和分析实验结果的利器。机器学习涉及的理论和方法繁多，编程相当复杂，一直是阻碍机器学习大范围应用的主要困难之一，由此诞生了Python，R，SAS，STAT等语言辅助机器学习算法的实现。在各种语言中，R语言以编程简单，方法先进脱颖而出。

点击阅读全文《基于R语言机器学习方法与案例分析实践技术》

专题一：基础知识

1.机器学习的基本概念

2.机器学习建模过程

3.特征工程

专题二：回归

1.线性回归略谈

2.岭回归

3.偏最小二乘法

4.Lasso回归与最小角度回归

5.弹性网回归

专题三：树形模型

1.分类回归树

2.随机森林

专题四：集成学习

1.梯度提升法

2.装袋法

3.GBM与随机GBM

4. XGBOST

5.总结  

专题五：其它方法

1.支持向量机

2.深度学习基础

3.可解释的机器学习

 

专题六：降维

1.主成分分析

2.广义低秩模型

3.Autoenconders

 

专题七：聚类与分类

1.K-均值聚类

2.分层聚类

3.K-近邻分类

4.Logistic回归