1

数据预备、清洗与特征工程

有这么一句话在业界广泛流传：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。特征对数据挖掘和机器学习效果的重要性意味着特征工程的重要性，然而一般的特征工程也有其局限性，这时候特征提取可能更符合我们的需要。本课程详细介绍各种数据准备和特征工程的方法，主要包括对数据记录级处理，特征构造，特征转换，特征降维和特征选择，一个好的特征工程能大幅提高数据挖掘的性能。

2

分类算法原理与实现

如何解决分类问题和回归是机器学习其中两个主要任务,分类就是将实例数据划分到合适的分类中,回归主要用于预测数值型数据。分类和回归属于监督学习[x1] ，这类算法必须知道预测什么，即目标变量的分类信息，本门课程主要介绍了常用的五种分类算法：K近邻，决策树，朴素贝叶斯，逻辑回归，支持向量机（SVM） ，并结合具体的经典实战案例演示监督学习的具体应用

3

聚类与关联算法原理与实现

非监督学习是机器学习中除了监督学习外的另外一大类任务，常见的非监督学习方法有聚类分析和关联规则，本门课程就是重点介绍这两种方法。聚类分析中会介绍各种不同的距离的度量，以及Kmeans算法的基本原理；关联规则会介绍关联规则的基本概念以及发现频繁项集的常用算法Apriori。

4

协同过滤原理与实战

关于协同过滤的一个最经典的例子就是看电影，有时候不知道哪一部电影是我们喜欢的或者评分比较高的，那么通常的做法就是问问周围的朋友，看看最近有什么好的电影推荐。在问的时候，都习惯于问跟自己口味差不多的朋友，这就是协同过滤的核心思想。 协同过滤是在海量数据中挖掘出小部分与你品味类似的用户，在协同过滤中，这些用户成为邻居，然后根据他们喜欢的东西组织成一个排序的目录推荐给你。 协同过滤算法的出现标志着推荐系统的产生，本课程主要介绍了协同过滤的两个核心算法算法：基于用户和基于物品的协同过滤算法。

5

机器学习框架：scikit-learn

对Python语言有所了解的科研人员可能都知道SciPy——一个开源的基于Python的科学计算工具包。基于SciPy，目前开发者们针对不同的应用领域已经发展出了为数众多的分支版本，它们被统一称为Scikits，即SciPy工具包的意思。而在这些分支版本中，最有名，也是专门面向机器学习的一个就是Scikit-learn。Scikit-learn项目最早由数据科学家 David Cournapeau 在 2007 年发起，需要NumPy和SciPy等其他包的支持，是Python语言中专门针对机器学习应用而发展起来的一款开源框架。在机器学习和数据挖掘的应用中，scikit-learn是一个功能强大的python包。在数据量不是过大的情况下，也不需要开发者拥有太多的数学统计学的知识即可以解决大部分问题，本课程系scikit-learn的入门篇，主要包括：Sk-learn框架的安装、基本功能、常见使用技巧等

6

集成学习– 多算法融合

集成学习是机器学习中一个非常重要且热门的分支，是用多个弱分类器构成一个强分类器，其哲学思想是“三个臭皮匠赛过诸葛亮”。一般的弱分类器可以由决策树，神经网络，贝叶斯分类器，K-近邻等构成。已经有学者理论上证明了集成学习的思想是可以提高分类器的性能的，比如说统计上的原因，计算上的原因以及表示上的原因。

7

文本与图像数据挖掘方法

文本挖掘是指从大量文本数据中抽取事先未知的、可理解的、最终可用的知识的过程，同时运用这些知识更好地组织信息以便将来参考。图像数据挖掘是用来挖掘大规模图像数据中隐含的知识、图像内或图像间的各种关系以及其他隐藏在图像数据中的各种模式的一种技术。涉及图像获取、图像存储、图像压缩、多媒体数据库，涉及图像处理与分析、模式识别、计算机视觉、图像检索、机器学习、人工智能、知识表现。本门课程将主要讲解常见的文本挖掘、图像挖掘算法原理及具体实现

8

项目实战

教学项目-1：Kaggle大赛之：泰坦尼克号获救预测（回归算法） 学员考核练习项目-1：从疝气病症预测病马的死亡率 教学项目-2：购物车协同过滤推荐系统 学员考核练习项目-2：餐馆菜肴推荐系统 教学项目-3：基于聚类(Kmeans)算法实现的客户价值分析系统 教学项目-4：基于LVD、贝叶斯模型算法实现的电商行业商品评论与情感分析案例实战 学员考核练习项目-3：学员练习考核项目：预测房价系统 教学项目-5：基于OpenCV、随机森林算法实现的图像分类识别系统

GPT专题（二）

如何训练GPT（GPT专业提示词编写技巧、方法与实战）

1. GPT提示词是什么 定义GPT提示词 GPT提示词的用途 2. 如何编写好的GPT提示词 确定目标受众 使用合适的语言风格 遵循文本生成的最佳实践 小心使用敏感话题和表述 考虑多样性和包容性 对提示词进行精细修改

GPT专题（三）

如何训练GPT让它成为你的贴身学习助理

1、训练GPT成为你的AI学习助手 查找资料，解释代码，提供解题思路与方法......不懂就问，有问必答，24小时不知疲惫，贴心陪伴 2、训练GPT成为你的学习陪练 利用GPT自练、自测。它出题你来答，你出题它来答。你回答它评判，科学评估，让你随时了解自己的学习状况与学习效果 3、训练GPT成为你的学习顾问+AI学习教练 私人定制学习计划，科学指导 训练、纠错、评估与总结

GPT专题（四）

实战：GPT+ Ai 机器学习实现预测模型搭建与评估

1、分享GPT在机器学习中的应用案例，并介绍如何使用GPT进行模型训练和优化 2、探讨使用GPT进行数据增强和样本生成的方法，并分析其优势和不足 3、讲解如何使用GPT进行数据预处理和数据清洗，以及如何利用GPT进行模型评估和调优 4、分享GPT在实际项目中的应用案例，如基于聊天记录的情感分析、基于对话历史的推荐系统等 5、分析GPT在这些应用场景中的优势和不足，并提出相应的解决方案