机器学习已经成为继理论、实验和数值计算之后的科研“第四范式”，是发现新规律，总结和分析实验结果的利器。机器学习涉及的理论和方法繁多，编程相当复杂，一直是阻碍机器学习大范围应用的主要困难之一，由此诞生了Python，R，SAS，STAT等语言辅助机器学习算法的实现。在各种语言中，R语言以编程简单，方法先进脱颖而出,本次机器学习基于现代Ｒ语言，Tidyverse,Tidymodel语法。

专题一 基础知识

1.Tidymodel,Tidyverse语法精讲

2.机器学习的基本概念

3.机器学习建模过程

4.特征工程

专题二 回归

1.线性回归略谈

2.岭回归

3.偏最小二乘法

4.Lasso回归与最小角度回归

5.弹性网回归

专题三 树形模型

1.分类回归树

2.随机森林

专题四 集成学习

1.梯度提升法

2.装袋法

3.GBM与随机GBM

4.XGBOST

5.总结  

专题五 其它方法

1.支持向量机

2.深度学习基础

3.可解释的机器学习

专题六 降维

1.主成分分析

2.广义低秩模型

3.Autoenconders

专题七 聚类与分类

1.K-均值聚类

2.分层聚类

3.K-近邻分类

4.Logistic回归

注：请提前自备电脑及安装所需软件

更多应用：包含ChatGPT、Python机器学习、数据挖掘、PyTorch机器学习、MATLAB机器学习、R语言【Tidyverse、Tidymodel】、地理加权回归、结构方程模型、贝叶斯网络模型、混合效应（多水平层次嵌套）模型、Copula变量相关性、极值统计学、分位数回归、网络爬虫、科研数据可视化、Nvivo、Citespace和vosviewer文献计量学、AI人工智能等...

ChatGPT4.0最新功能应用，结合机器学习与深度学习，论文写作和文献检索必备GPTs总结

关 注【科研充电吧】公 众 号，获取海量教程和资源