机器学习已经成为继理论、实验和数值计算之后的科研"第四范式"，是发现新规律，总结和分析实验结果的利器。机器学习涉及的理论和方法繁多，编程相当复杂，一直是阻碍机器学习大范围应用的主要困难之一，由此诞生了Python，R，SAS，STAT等语言辅助机器学习算法的实现。在各种语言中，R语言以编程简单，方法先进脱颖而出。
专题一：基础知识
1.Tidymodel,Tidyverse语法精讲
2.机器学习的基本概念
3.机器学习建模过程
4.特征工程
专题二：回归
1.线性回归略谈
2.岭回归
3.偏最小二乘法
4.Lasso回归与最小角度回归
5.弹性网回归
专题三：树形模型
1.分类回归树
2.随机森林
专题四：集成学习
1.梯度提升法
2.装袋法
3.GBM与随机GBM
- XGBOST
5.总结
专题五：其它方法
1.支持向量机
2.深度学习基础
3.可解释的机器学习
专题六：降维
1.主成分分析
2.广义低秩模型
3.Autoenconders
专题七：聚类与分类
1.K-均值聚类
2.分层聚类
3.K-近邻分类
4.Logistic回归
