01-01机器学习基本思想
01-02常用机器学习算法模型
01-03机器学习算法库介绍
01-04机器学习在学术领域应用场景
02章第二部分：算法原理与实战（4天）

03章1、KNN算法
03-01KNN算法基本原理
03-02常用相似度衡量方法、KNN用于分类和回归
03-03KNN模型参数优化
03-04Python案例：KNN用于鸢尾花数据集分类
04章2、决策树
04-01决策树基本原理
04-02决策树分类
04-03决策树用于分类和回归实现
04-04决策树参数优化
04-05Python案例：决策树实现波士顿房价预测
05章3、线性回归
05-01线性回归的求解、岭回归、LASSO和弹性网
05-02Python案例：线性回归实现鲍鱼年龄预测
06章4、逻辑回归
06-01逻辑回归基本原理
06-02从线性回归到逻辑回归
06-03逻辑回归实现和参数优化
06-04Python案例：逻辑回归实现病马死亡率预测
07章5、神经网络
07-01神经网络基础
07-02神经网络中的激活函数
07-03神经网络Python实现与参数调优
07-04Python案例：手写数字识别
08章6、贝叶斯网络
08-01贝叶斯分类原理
08-02朴素贝叶斯
08-03贝叶斯模型分类
08-04Python案例：垃圾邮件过滤
09章7、支持向量机
09-01支持向量机分类原理
09-02线性SVM和非线性SVM
09-03Python案例：人脸识别
10章8、随机森林
10-01决策树与随机森林
10-02随机森林原理
10-03随机森林Python实现与参数调优
10-04Python案例：随机森林用于泰坦尼克沉船预测
11章9、聚类
11-01聚类原理
11-02聚类和分类
11-03k-means聚类原理
11-04k-means python实现
11-05Python案例：聚类用于客户价值识别
12章第三部分：Python机器学习学术应用指导（0.5天）
12-01数据发现与变量创造，预测，因果推断；
12-02文本大数据应用；
12-03基于机器学习的学术论文写作指导