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,本次機器學習基于現代Ｒ語言，Tidyverse,Tidymodel語法。

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