01章機器學習入門介紹（1小時）
01-01什么是機器學習
01-02機器學習中的名詞說明：類型、字段、特征、標簽等
01-03機器學習中的基本概念：分類、預測、回歸；有監督、無監督；模型效果、計算速度；可解釋性、泛化能力等
01-04推薦工具書
02章scikit-learn入門：Scikit-Learn庫簡介（0.5小時）
03章KNN-Z近鄰分類算法：以電影分類為例（1.5小時）
03-01模型建立基本思路
03-02KNN原理基礎及其實現： KNN原理基礎距離的確認：歐幾里得距離、馬曼哈頓距離、閔可夫斯基距離； KNN的scikit-learn實現：模型的構建與評估
03-03模型優化：學習曲線、交叉驗證
03-04模型評價與總結
04章決策樹算法：泰坦尼克幸存者預測為例（3小時）
04-01決策樹基本原理
04-02決策樹的scikit-learn實現：八個參數（Criterion、兩個隨機性相關的參數、五個剪枝參數）、一個屬性、四個接口）解析
04-03分類模型的評估指標（混淆矩陣原理、scikit-learn中的混淆矩陣）
04-04實例：泰坦尼克號幸存者的預測（數據導入、數據處理、模型構建與評估、利用混淆矩陣調參）
05章隨機森林算法：以乳腺癌預測為例（3小時）
05-01隨機森林概述：集成算法概述Bagging vs Boosting、集成算法的認識
05-02隨機森林分類器的實現：重要參數、重要屬性和接口
06章K-Means聚類算法：以電商用戶畫像為例（3小時）
06-01聚類算法概述：聚類VS分類
06-02KMeans原理分析
06-03KMeans的scikit-learn實現（模型構建與評估（輪廓系數）、重要參數解析、實例：根據輪廓系數選擇簇）
07章關聯規則算法：啤酒與尿布關聯規則分析（2小時）
07-01關聯規則概述：頻繁項集的產生與關聯發現
07-02Apriori算法原理：先驗原理
07-03使用Apriori算法來發現頻繁項集（生成候選項集（函數的構建與封裝）、項集迭代函數）
08章線性回歸模型在數據分析領域的應用：以房價預測為例（1小時）
09章邏輯回歸：以信用卡反欺詐模型為例（3小時）
09-01邏輯回歸概述：模型參數、sigmoid函數、邏輯回歸的返回值解析
09-02邏輯回歸的特點：模型擬合效果、計算速度、返回值的可解釋型
09-03邏輯回歸模型的構建與優化： 認識邏輯回歸的損失函數； 重要參數解析； 梯度下降求解Z小損失函數參數值
10章SVM支持向量機概述、應用及scikit-leaern實現（1小時）
11章分類模型的評估指標（2小時）
12章樸素貝葉斯算法：以文本分類為例（3小時）
12-01樸素貝葉斯概述
12-02應用：文本分類的實現