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。

专题一：基础知识

1.Tidymodel,Tidyverse语法精讲

2.机器学习的基本概念

3.机器学习建模过程

4.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