零基础实战机器学习--极客时间课程推荐/优惠

你将获得：

• 轻松入门机器学习的路线图；
• 真实电商业务场景五阶段实战；
• 9 大实用的机器学习算法；
• 揭秘机器学习应用的底层逻辑。

毋庸置疑，机器学习是这个时代的热点，聊天机器人、人脸识别、自动驾驶、大型电商的精准推荐系统的背后都是机器学习。不仅如此，机器学习还能解决很多工作或者生活上的问题，比如提高垃圾邮件分类器的效率，比如预测明年白菜是不是会涨价等等。

机器学习堪称是从数据中挖掘价值的万金油，它的算法库已经非常成熟了，按理说机器学习应该是人人都能用得上的技术，可事实上很多人在入门机器学习时，总面临着这样的问题：

• 听到机器学习就觉得它的算法很难，望而却步。
• 想去学机器学习，可市面上的学习资料里都是大量算法的推导解析，看都看不懂，怎么学？
• 在一些机器学习资料中，虽然理论和实践内容搭配很合理，但案例离自己真实的应用场景比较远，学了遇到实际问题了还是不会做。

其实，如果你定位自己是机器学习的应用者，而不是机器学习算法的研究者的话，那么你根本就没有必要去死磕算法的推导细节，你只需要从做中学就行了，也就是从做实际项目开始，在项目中去理解算法的原理，学会把算法模型灵活地运用到一个一个的具体场景之中。

为此，我们特意邀请到了黄佳老师，他根据自己从业多年后半路出家机器学习的丰富经验，梳理出了一套小白快速入门机器的方法论，帮助你零基础搞懂机器学习。同时，他还会手把手带你完成一个运营场景下的机器学习闯关，让你在真实的业务场景下，真正理解机器学习算法应用的诀窍，学会用机器学习的技术去解决你的业务问题，真正把机器学习用起来。

课程模块设计

课程按照准备、业务场景闯关、持续赋能分为三大部分。

准备篇
主要讲解机器学习究竟是什么，黄佳老师手把手带你部署机器学习项目的开发环境，通过一次简单的机器学习线性回归实战，来教你机器学习实战的5个步骤。

业务场景闯关篇
结合电商“易速鲜花”的运营场景，黄佳老师专门为你设置了五大关卡，在实战中引导你如何去理解机器学习基础知识，利用算法解决实际问题。这五大关卡分别是：

获客关：主要包括如何用机器学习了解你的用户，如何计算他们的RFM值，如何用聚类分析给他们做价值分组画像等。

变现关：主要是讲如何预测App用户的生命周期价值，以及如何提升LTV预测准确率。这里你将学到回归算法、决策树算法和随机森林算法，以及一些特征工程和模型性能优化的知识。

激活关：通过给鲜花图片分类的例子，讲解什么是深度学习。然后教你如何用深度学习预测激活率、提高预测准确率。通过这一关，你可以学会使用深度学习中的CNN和RNN算法。

留存关：在这一关，黄佳老师将带你一步步找出影响用户留存的因子，找出高流失风险的用户，并预测他们是否会流失。这里你将学到逻辑回归和深度学习在分类问题中的实战应用。

裂变关：最后一关，和黄佳老师一起通过XGBoost选择最佳的裂变方案，让你的用户变身为你的推销员！

持续赋能篇
机器学习的发展日新月异，所以黄佳老师会教你如何定位最合适的机器学习算法，如何把机器学习部署到生产中。此外，还会不定期地更新一些最新的算法，持续为你赋能。

开篇词

• 开篇词｜开发者为什么要从实战出发学机器学习？

准备篇

• 01｜打好基础：到底什么是机器学习？
• 02｜工具准备：安装并使用Jupyter Notebook
• 03｜实战5步（上）：怎么定义问题和预处理数据？
• 04｜ 实战5步（下）：怎么建立估计10万+软文点击率的模型？

业务场景闯关篇

• 05 | 数据探索：怎样从数据中找到用户的RFM值？
• 06 | 聚类分析：如何用RFM给电商用户做价值分组画像？
• 07｜回归分析：怎样用模型预测用户的生命周期价值？
• 08 | 模型优化（上）：怎么用特征工程提高模型效率？
• 09｜模型优化（中）：防止过拟合，模型也不能太精细
• 10｜模型优化（下）：交叉验证，同时寻找最优的参数
• 11｜深度学习（上）：用CNN带你认识深度学习
• 12｜深度学习（中）：如何用RNN预测激活率走势？
• 13｜深度学习（下）：3招提升神经网络预测准确率
• 14｜留存分析：哪些因素会影响用户的留存率？
• 15｜二元分类：怎么预测用户是否流失？从逻辑回归到深度学习
• 16｜性能评估：不平衡数据集应该使用何种评估指标？
• 17｜集成学习：机器学习模型如何“博采众长”?
• 18 | 增长模型：用XGBoost评估裂变海报的最佳受众群体

持续赋能篇

• 19 | 胸有成竹：如何快速定位合适的机器学习算法？
• 20 | 模型部署：怎么发布训练好的机器学习模型？
• 21｜持续精进：如何在机器学习领域中找准前进的方向？

结束语

• 一套习题，测出你对机器学习的掌握程度
• 结束语 | 可以不完美，但重要的是马上开始