算法基础

统计学基础

统计学是关于认识客观现象总体数量特征和数量关系的科学。学习本课程的目的在于使学生掌握收集、处理、分析、解释数据的能力，并能从数据中得出结论或结果。能够通过搜集、整理、分析统计资料，认识客观现象数量规律性，并应用于所专修的专业领域去解决实际问题。

R 语言基础

R 是用于统计分析、绘图的语言和操作环境，它是一个用于统计计算和统计制图的优秀工具

算法模型

回归模型

回归模型研究的问题因变量（y）和一个或多个自变量（x）的函数关系，可以用于预测，是现代预测学的基础。此外也可以用于分类。学习的算法有：最小二乘回归、逐步回归、岭回归、 LASSO 回归、LAR 回归等

正则化模型

正则化模型的思想是基于一个基础模型（比如最小二乘回归）引入惩罚措施，目的是使模型具有更好的泛化能力

决策树模型

数据挖掘中决策树是一种常用算法模型，既可以用来作预测，也可以用于数据分类。决策树建立的模型不是函数式，而是一个决策树，易于理解。学习的算法有：ID3 算法树、C4.5 算法树、 CART 算法树等

判别模型

判别模型模型的特点基于样本数据建立判别函数，通过判别函数判别新样本的类归属问题。学习的算法有：Fisher 判别、K- 最近邻判别法等。

集成模型

集成模型的特点将多个弱模型组合在一起。所以可以提高模型的精度和准确度。所以深受欢迎。学习的算法有：Bagging 算法、Boosting 算法、Random Forest 算法等。

聚类模型

聚类算法的特点一般是基于距离度量来对数据做聚类分析。学习的算法有：层次聚类法、K-Means 聚类等

贝叶斯模型

贝叶斯模型的核心思想是基于贝叶斯公式（定理），是一个种概率模型，可以应用自动推理，文本分析等领域。学习的算法有：朴素贝叶斯分类器、贝叶斯信念网络等

SVM 模型

支持向量机主要解决分类问题，擅长处理高维数据，多应用于模式识别领域，比如手写体识别，图片识别等场景。

推荐系统模型

主要基于 ALS 算法实现基于用户的推荐和基于物品的推荐。推荐系统模型是购物平台或新闻讯息平台使用较多的一种模型实现。