课程准备：
（参考Wes McKinney, Python for Data Analysis,附录及相关章节 ）
1、Python基础知识: 简单数据结构及操作.
2、NumPy数组的基本操作.
3、安装Anaconda环境（链接中寻找系统对应的版本），学习使用Jupyter. （练习：启动Anaconda，运行Jupyter notebook, 然后打开.ipynb格式的文件.）
主讲人介绍：
黄刚，美因茨大学统计物理专业博士，目前为中科院理论物理研究所金瑜亮研究组访问学者，研究方向包括：Ab initio分子动力学模拟，界面和频率振动光谱计算等。
课程内容介绍：
0、准备课程：Python简介和Anaconda的基本配置 （11月4日下午4：00--5：30，三楼咖啡厅）
1、机器学习基本概念、k近邻算法介绍： (11月5日上午9：00--12：00)
(1) 数据集，训练，测试，样本，特征，标签等；机器学习的类别及具体实例：监督学习，非监督，强化学习；机器学习处理的两类问题：分类，回归.
(2) k近邻算法的含义和基本思想：距离函数，投票函数，kNN分类，kNN回归.
(3) 练习：词频统计，简单的k近邻分类.
2、 线性模型及应用 (11月5日下午 14：00--17：00)
基本概念：Cost function:
(1) 梯度下降法(Gradient Descent):目的(求得cost function的最小值)，方法（不断迭代地轻微调整参数值）
(2) 正则化(Regularized linear models):目的(避免过拟合)，方法(在损失函数中加入正则项，保证在最小化损失函数时，使得模型的权重值也尽量小). 具体的实现方式：岭回归，Lasso回归，Elastic Net回归.
(3) 练习：分析正则化线性模型的结果，评估机器学习模型的质量.
3、 决策树算法 (11月6日上午 9：00--12：00)
(1) 基本概念：特征空间，决策树的划分，信息熵，信息增益, Gini指数
(2) 随机森林算法的原理.
(3) 练习：计算信息熵，Gini指数等.
4、其他机器学习算法简介 (11月6日下午 14：00--17：00)
(1) k均值聚类，神经网络，SVM.
(2) 模型评估，格点搜索等.
(3) 练习：感知机分类器.
附录：Anaconda管理库的基本使用方法
我们在练习中会使用到Anaconda中已经安装如下模块：numpy, pandas, mglearn，scikit-learn。初次安装的学员可参考以下流程：
（1）查看Anaconda中已经安装的模块
pip list
或
conda list
（2）添加适当的channels. 如：打开Anaconda prompt, 在命令行输入:
shell
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
（3）安装模块的方法（详情参考链接）：
打开Anaconda prompt终端, 在命令行输入:（以mglearn为例）
shell
pip3 install mglearn
或者指定具体的源，如：
shell
pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple mglearn
(4). 打开Jupyter Notebook的方法：
A. 在终端命令行打开：
shell
jupyter notebook
B. 在anaconda环境里找到Jupyter,点击进入.
注意：1. 本次课程主要包括几个简单的机器学习入门算法, 分为原理和与操作，大家可以带上电脑，便于练习；2. Anaconda环境的安装比较简单，我们这里搜集的习题都用Python实现. 建议大家先安装好Anaconda环境，以便可以实时运行示例和练习中的代码.
