从零基础掌握Python机器学习与深度学习
【Python 可以说是现在最流行的机器学习语言，而且你也能在网上找到大量的资源。你现在也在考虑从 Python 入门机器学习吗？本教程能帮你成功上手，从 零基础 掌握 Python 机器学习】
Python 绝对是机器学习的“亲儿子”，几乎所有主流的机器学习库都是基于 Python 开发的。比如大家耳熟能详的 TensorFlow、PyTorch、Scikit-learn 等，都有庞大的用户群体和极其活跃的社区。你只要遇到问题，基本上 Google 一下，Stack Overflow 上就会蹦出无数类似的问题和解答。
最关键的是，Python 的生态系统十分完善，机器学习全流程都有对应的库和框架，从前期的数据清洗到模型的部署，你都能找到工具。
第一模块 Python基础知识串讲（4课时） 1、Python编程环境搭建（Anaconda安装；Python之Hello World；第三方模块的安装与使用） 2、Python基本语法（Python变量命名规则；Python基本数学运算；Python常用变量类型的定义与操作；Python程序注释） 3、Python流程控制（条件判断；for循环；while循环；break和continue关键字；嵌套循环与可变循环） 4、Python函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用） 第二模块 Python科学计算（4课时） 1、Matplotlib的安装与图形绘制（数据可视化设计美学、Matplotlib常用函数简介与使用、设置散点、线条、坐标轴、图例、注解等属性；绘制多图；图的嵌套） 2、科学计算模块库（Numpy常用函数简介与使用；Pandas常用函数简介与使用；Scipy常用函数简介与使用） 3、实操练习 第三模块、Python统计分析与可视化（4课时） 1、统计学基础知识概述（描述统计、统计推断、时空统计） 2、统计数据的描述与可视化（数据的描述性统计：均值、中位数、众数、方差、标准差、极差、四分位数间距等；条形图、直方图、散点图、箱线图等） 3、概率分布与统计推断（离散概率分布：二项分布、泊松分布；连续概率分布：正态分布、均匀分布、指数分布；点估计与区间估计；最大似然估计与贝叶斯估计；假设检验：t检验、卡方检验、F检验；P值与显著性水平等） 4、回归分析（多元线性回归模型；最小二乘法估计；变量选择与模型优化；多重共线性与解决方法；Ridge回归；LASSO回归；ElasticNet回归等） 5、实操练习 第四模块、Python树模型（4课时） 1、机器学习概述、数据预测与预测建模 2、决策树模型（认识树模型；什么是信息熵和信息增益？ID3算法和C4.5算法的区别与联系）；决策树除了建模型之外，还可以帮我们做什么事情？ 3、随机森林模型（为什么需要随机森林算法？广义与狭义意义下的“随机森林”分别指的是什么？“随机”体现在哪些地方？随机森林的本质是什么？怎样可视化、解读随机森林的结果？） 4、Bagging与Boosting的区别与联系 5、AdaBoost vs. Gradient Boosting的工作原理 6、常用的GBDT算法框架（XGBoost、LightGBM） 7、SHAP法解释特征重要性与可视化（Shapley值的定义与计算方法、SHAP值的可视化与特征重要性解释） 8、部分依赖分析（部分依赖分析的原理、单变量影响分析、双变量交互分析） 9、实操练习 第五模块 因果推断与因果学习（4课时） 1、因果推断概述 2、因果推断范式（潜在因果推断、结构因果推断） 3、因果推断实现（传统方法、机器学习方法） 4、因果机制识别与发现（因果效应估计、非线性因果效应估计、因果作用未来预测） 5、时空因果推断（时空统计概述、时空因果推断、时空因果实现） 6、实操练习 第六模块 Python深度学习（6课时） 1、人工神经网络（人工神经网络概念、底层原理） 2、深度学习模型原理（人工神经网络基础、卷积神经网络、生成对抗神经网络、自编码技术、循环神经网络） 3、深度学习模型实现 4、案例演示与实操 第七模块 典型论文讲解与研究设计复现、答疑与交流（2课时） 1、树模型案例分析与实现 2、深度学习模型案例分析与实现 3、因果学习案例分析与实现 4、课程相关资料拷贝与分享 5、答疑与讨论（大家提前把问题整理好） |
课程特色：
提供ppt讲义+案例+数据+python代码
