课程大纲：

经典实验设计与大数据建模课程
培训背景随着工业物联网的迅速发展，在智能制造和工业4.0的发展趋势下，大数据与实体经济正在逐步融合，利用机器学习可以对实体经济行业进行市场需求分析、生产流程优化、供应链与物流管理、能源管理、提高智能客户服务等，这不但大大拓展了企业的目标市场，更成为众多企业技术进步的重要推动力。
培训对象：数据分析人员、对机器学习算法感兴趣的人员
培训时间：18H

课程特点：
（1）关注算法：本次课程通过对算法的深入阐述，通过相关的案例讲解，让学员了解机器学习算法的本质，不同的机器学习算法到底能解决什么问题。
（2）算法实用：机器学习领域算法众多，逐个学习耗时费力。本次课程介绍了一些常见的实用算法，对算法原理进行详细讲解，通过这些算法可以解决制造业领域面临的大部分问题。
（3）关注实操：本次课程安排了学员进行实际操作，帮助学员快速上手如何通过机器学习建立模型。

课程大纲：
第一讲：机器学习入门
1、什么是机器学习
2、关于数据
3、机器学习与数据库以及BI的比较
4、建模的核心内容
5、模型评估
6、数据准备
7、总结

第二讲：CART算法介绍
1、CART决策树基本概念介绍
2、如何进行分裂
3、Prior概率
4、损失的概念
5、缺失值处理
6、变量重要性
7、CART树形成过程
8、交叉验证
9、如何打分
10、一些CART的新功能
11、案例演示
12、实操训练

第三讲：TreeNet算法介绍
1、直觉性的介绍
2、损失函数
3、参数和非参数方法
4、随机梯度提升的算法核心概念
5、具体建模过程图形演示
6、优化模型的一些重要参数
7、TreeNet的优势
8、自动化建模介绍
9、案例演示
10、实操训练

第四讲：Mars算法介绍
1、什么是MARS
2、传统建模和现代建模方法比对
3、MARS的核心概念
4、案例演示
5、实操训练

第五讲：GPS算法介绍
1、传统回归的问题
2、Ridge回归
3、LASSO回归
4、相对于之前的正则化回归，GPS的改进

第六讲：RandomForests算法介绍
1、RF与传统的Bagging的区别
2、RF中的决策树与CART树的区别
3、RF中OOB检验机制
4、RF中临近度概念介绍
5、如何在RF中做聚类分析和异常点探查
6、RF中缺失值处理机制
7、RF中的权重和变量重要性如何计算

第七讲：DataBinning,QuickImpute算法介绍
第八讲：机器学习的应用场景
第九讲：如何建立最优模型
经典实验设计与大数据建模课程