機器學習已經成為繼理論、實驗和數值計算之后的科研“第四范式”，是發現新規律，總結和分析實驗結果的利器。機器學習涉及的理論和方法繁多，編程相當復雜，一直是阻礙機器學習大范圍應用的主要困難之一，由此誕生了Python，R，SAS，STAT等語言輔助機器學習算法的實現。在各種語言中，R語言以編程簡單，方法先進脫穎而出。

專題一：基礎知識

1.Tidymodel,Tidyverse語法精講

2.機器學習的基本概念

3.機器學習建模過程

4.特征工程

專題二：回歸

1.線性回歸略談

2.嶺回歸

3.偏最小二乘法

4.Lasso回歸與最小角度回歸

5.彈性網回歸

專題三：樹形模型

1.分類回歸樹

2.隨機森林

專題四：集成學習

1.梯度提升法

2.裝袋法

3.GBM與隨機GBM

4. XGBOST

5.總結 ?

? ??

專題五：其它方法

1.支持向量機

2.深度學習基礎

3.可解釋的機器學習

專題六：降維

1.主成分分析

2.廣義低秩模型

3.Autoenconders

專題七：聚類與分類

1.K-均值聚類

2.分層聚類

3.K-近鄰分類

4.Logistic回歸