1. 背景
这门课是Udemy上的课程，这里我记录一下学习笔记。
我的知识背景：
农学专业，生物信息方向，偏数据分析岗位。编程语言熟悉Perl，Python，R，数据分析知识熟悉生物统计，一直想学习机器学习，但是没有很多进展。这里，根据视频课程，课程代码，学习相关知识，并上机操作记录笔记。里面加上自己的一些学习心得体会。这是一个系列，我计划2020年底学习更新完成，对相关课程感兴趣的朋友，关注我，一起学习交流吧。
2. 课程介绍
对机器学习领域感兴趣吗？那么这道菜是给你的！
本课程帮助您以简单的方式学习复杂的理论、算法和编码库。我们将一步一步地带您进入机器学习的世界。通过每一个教程，你将发展新的技能，并提高你对数据科学这个富有挑战性但利润丰厚的子领域的理解。
这门课既有趣又令人兴奋，但同时，我们深入研究机器学习。其结构如下：
第1部分-数据预处理
包括相关库的介绍，数据导入，分为X变量和Y变量，缺失值处理，数据重新编码，数据标准化处理，划分训练群和测试群。
第2部分-回归
简单线性回归，多元分析，多项式回归，SVR，决策树回归，随机森林回归
第3部分-分类
Logistic回归，K-NN，SVM，核SVM，朴素贝叶斯，决策树分类，随机森林分类
第4部分-聚类
K-均值，层次聚类
第5部分-关联规则学习
Apriori，Eclat
第6部分-强化学习
置信上限，汤普森抽样
第7部分-自然语言处理
自然语言处理的词袋模型和算法
第8部分-深度学习
人工神经网络，卷积神经网络
第9部分-降维
PCA，LDA，核PCA
第10部分-模型选择和提升
k-折叠交叉验证、参数调整、网格搜索、XGBoost
此外，这门课程还有大量的实践练习，都是基于现实生活中的例子。因此，你不仅要学习理论，还可以通过实践来建立自己的模型。另外，本课程还包括Python和R代码模板，您可以下载并在自己的项目中使用。
3. 你将学到什么
在Python&R上掌握机器学习
对许多机器学习模型有很强的直觉
做出准确的预测
做有力的分析
建立稳健的机器学习模型
为您的业务创造强大的附加值
将机器学习用于个人目的
处理强化学习、NLP和深度学习等特定主题
处理诸如降维之类的高级技术
了解针对每种类型的问题选择哪种机器学习模型
建立一支强大的机器学习模型大军，并知道如何将它们结合起来解决任何问题
4. 学习本课程的要求
有什么课程要求或先决条件吗？
只是一些高中数学水平，都可以学习。
5. 本课程的对象
对机器学习感兴趣的人。
学生至少有高中数学知识，并希望开始学习机器学习。
任何中级水平的人，他们知道机器学习的基础知识，包括线性回归或逻辑回归等经典算法，但又想学习更多关于机器学习的知识并探索机器学习的所有不同领域。
任何对编码不太熟悉但对机器学习感兴趣并希望将其轻松应用于数据集的人。
任何想在数据科学领域开始职业生涯的大学生。
任何想要提高机器学习水平的数据分析员。
任何对自己的工作不满意并想成为数据科学家的人。
任何想通过使用强大的机器学习工具为自己的业务创造附加值的人。
6. 我的感想
看起来，干货很多
看名次，很多陌生
先学起，慢慢熟悉
到最后，熟练应用
加油，加油，加加油！！！
