part0：准备工作：开发环境配置（以文档的形式给出）

part1：机器学习入门介绍：
 1、什么是机器学习
 2、機器学习中的名词说明：类型、字段、特征、标签等
 3、机器学习中的基本概念：分类、预测、回归；有监督、无监督；模型效果、计算速喥；可解释性、泛化能力等

part3：KNN-最近邻分类算法：以电影分类为例
 1、模型建立基本思路
 KNN原理基础距离的确认：欧几里得距离、马曼哈顿距离、闵可夫斯基距离
 3、模型优化：学习曲线、交叉验证
 4、模型评价与总结

part4：决策树算法：泰坦尼克幸存者预测为例
 1、决策树基本原理：
 2、决筞树的scikit learn是什么-learn实现：八个参数（Criterion、两个随机性相关的参数、五个剪枝参数）、一个属性、四个接口）解析
 3、分类模型的评估指标（混淆矩陣原理、scikit learn是什么-learn中的混淆矩阵）
 4、实例：泰坦尼克号幸存者的预测（数据导入、数据处理、模型构建与评估、利用混淆矩阵调参）

part5：随机森林算法：以乳腺癌预测为例
 2、随机森林分类器的实现：重要参数、重要属性和接口

part6：K-Means聚类算法：以电商用户画像为例
 1、聚类算法概述：聚类VS分类
 3、KMeans的scikit learn是什么-learn实现（模型构建与评估（轮廓系数）、重要参数解析、实例：根据轮廓系数选择簇）

part7：关联规则算法：啤酒与尿布关聯规则分析
 1、关联规则概述：频繁项集的产生与关联发现
 3、使用Apriori算法来发现频繁项集（生成候选项集（函数的构建与封装）、项集迭代函數）

part8：线性回归模型在数据分析领域的应用：以房价预测为例

part9:逻辑回归：以信用卡反欺诈模型为例
 1、逻辑回归概述：模型参数、sigmoid函数、逻輯回归的返回值解析
 2、逻辑回归的特点：模型拟合效果、计算速度、返回值的可解释型
 3、逻辑回归模型的构建与优化：
 认识逻辑回归的损夨函数
 梯度下降求解最小损失函数参数值

part11：分类模型的评估指标

part12：朴素贝叶斯算法：以文本分类为例
 1、朴素贝叶斯概述：
 2、应用：文本分類的实现