AI创新应用技能大赛赛前培训

日期

内容

Day1

上午

Python复习

1. 人工智能基本概念
2. 数据科学基本概念
3. 开发环境的安装配置
4. 标识符
5. 输入、输出和格式化
6. 单行注释和文档注释
7. 基础数据类型和类型转换
8. 运算符
9. 条件控制语句
10. 循环控制语句
11. Google的编程规范
12. 组合数据类型

列表、元组、集合、字典、字符串、Range

1. 函数
2. 面向对象
3. 库、模块和包的概述
4. 文件读写
5. 常用库

Day1

下午

Numpy复习

1. Numpy基本概念
2. 创建ndarray数组的三种方式

手动创建数据

自动创建一维数据，变形

自动创建多维数据

1. 属性
2. 数据类型
3. 索引和切片
4. 函数
5. 方法
6. 通用函数
7. 数组广播

实例1：计算鸢尾花的统计数据

实例2：使用梯度法计算积分的面积

Day2

上午

matplotlib可视化库

Seaborn可视化库

1. Matplotlib的原理
2. Seaborn库的原理
3. 创建画布
4. 创建子图
5. 设置刻度
6. 设置范围
7. 设置图例
8. 保存图形和显示图形
9. 全局设置和中文乱码
10. 设置网格
11. 设置文本，箭头和注解
12. 散点图/折线图/柱状图/直方图/饼图/箱线图/小提琴图/ 
13. Searborn可视化库

Day2

下午

pandas数据分析（上）

1. pandas数据分析的介绍
2. 数据类型Series和DataFrame
3.  读写数据

从内存/csv/excel/mysql中读/写数据

1. 查看数据

形状、数据类型、空值、前n行和后n行、统计信息、唯一性、计数统计等。

1. 选择数据
2. 索引和切片
3. 清洗数据
4. 删除行/列，替换，类型转换，修改列名，修改索引名

Day3

上午

pandas数据分析（下）

1.  apply函数
2. 排序

按值/索引

1. 数据整理

横向/纵向连接，行索引和列索引互相转换，行索引和列互相转换。

1. 分组
2.  透视表
3. 交叉表
4.  统计

Day3

下午

数据分析案例

案例分析：

1. 快餐店
2. 欧洲杯
3. 酒类消费
4. 姓名数据
5. 苹果股价
6. NBA比赛

Day4

机器学习基础

线性回归

Scikit-learn工具

1. 机器学习介绍
2. 有监督学习和无监督学习
3. 训练集、验证集和测试集
4. 一元线性回归
5. 最小二乘法和代价函数
6. 梯度下降法
7. 过拟合和正则化
8. Ridge回归
9. Lasso回归
10. Elastic Net回归

实操1：相关系数

实操2：梯度下降

实操3：线性回归

实操4：Ridge回归

实操5：LASSO回归

实操6：Elastic Net

Day5

逻辑回归

KNN

1. 逻辑回归介绍
2. 逻辑回归中多分类解决方案
3. 模型评估与度量
4. 交叉验证
5. 学习曲线
6. 网格搜索
7. 偏差、方差、均方差、泛化误差
8. 查全率、查准率和F1参数
9. ROC曲线与AUC面积
10. KNN原理
11. KNN实践

实操1：线性逻辑回归实现

实操2：非线性逻辑回归

实操3：KNN预测约会网站配对

实操4：KNN预测电影分类

实操5：KNN预测鸢尾花分类

实操6：KNN预测手写数字分类

Day6

决策树

随机森林

1. 决策树原理
2. ID3算法
3. C4.5算法
4. Gini算法
5. 算法优化：预剪枝
6. 算法优化：后剪枝
7. 决策树回归
8. 集成算法简介
9. 袋装法集成算法
10. 随机森林集成算法
11. Adaboost集成算法
12. 机器学习调优

实操1：决策树预测房价

实操2：决策树预测隐形眼镜类型

实操3：随机森林算法演示

实操4：Adaboost算法演示

实操5：病马死亡率预测

实操6：泰坦尼克号存活预测

Day7

聚类

特征工程

1. 聚类原理
2. 各种相似度度量及其相互关系
3. K-means聚类
4. DBSCAN密度聚类
5. 数据预处理
6. 特征工程介绍
7. 数据无量纲化
8. 标准化/归一化
9. 缺失值处理
10. 文字转数字
11. 连续转离散
12. 多项式转换
13. 特征选择-Filter
14. 特征选择-Wrapper
15. 特征选择-Embeding
16. PCA降维

实操1：用Python实现kmeans的实现

实操2：用Sklearn实现kmeans聚类

实操3：用Sklearn实现dbscan密度聚类

Day8

XGboost

1. 回归树原理
2. 梯度提升树gbdt原理
3. Xgboost原理
4. Xgboost的推导过程
5. Xgboost调参

实操1：回归树预测房价

实操2：gbdt预测回归案例

实操3：Xgboost的参数调优

实操:4：Xgboost在数据竞赛中运用

Day9

推荐系统-关联规则

推荐系统-协同过滤

1. 推荐系统的介绍
2. 关联规则算法Apriori简介和推导
3. 项集，支持度，置信度和提升度
4. 关联规则算法实践
5. 基于用户的协同过滤推荐算法原理
6. 相似度计算
7. 基于物品的推荐算法原理
8. 基于用户的推荐算法原理

实操1：实现Arpiori算法

实操2：英国零售商的商品推荐

实操3：实现movielens电影推荐

Day10

竞赛案例分析(1)

1. 建模流程

1)  需求分析

2)  数据清洗

3)  数据预处理

4)  特征工程

5)  建模

6）度量

7）模型优化

2. 案例：金融欺诈（分类）

3. 案例：鲍鱼年龄（回归）

Day11

竞赛案例分析(2)

1. 竞赛冠军解题思路
2. 电信案例分析（1）
3. 电信案例分析（2）