XGBOOST被认为是目前最快最好的开源boosted tree工具包，并在各种数据挖掘算法竞赛中大放异彩。由于XGBOOST分布式版本有广泛的可移植性，也使得它可以很好地解决工业界规模的问题。 XGBOOST风靡各种竞赛，但凡使用过的人，都知道其威力。很多人会用模型，但背后的原理理解甚少。 xgboost相比传统GBDT有何不同？ xgboost为什么快？ 如何用代码实现xgboost？ 竞赛中有哪些调参的技巧？ 作为各路数据挖掘竞赛的绝对大神—Bryan（周耀），将带你从原理到实践，揭秘xgboost背后的数学模型、纵览xgboost参数及特征，了解更多经典材料及代码实现。相信你对xgboost背后的数学原理有深入的理解之后，可以在竞赛或企业面试中根据自己的需求建立更好的算法模型。

从Decision Tree，Boosting Tree，Gradient Boosting Tree 到 XGBOOST：  一步步拆解XGBOOST背后的数学模型： • Decision Tree：信息熵、条件熵、Gini指数、CART • Boosting Tree：分类树（分裂特征选择）、回归树（分裂变量、分裂点） • Gradient Boosting Tree：损失函数、回归树梯度提升算法 • XGBOOST：实际例子解析XGBOOST的迭代步骤  ；taylor 展开、一阶导数、二阶导数 XGBOOST的参数： • 通用参数（如booster、silent、nthread、num_pbuffer、num_feature）； • booster参数（Parameter for Tree Booster 如 eta、gamma、max_depth、min_child_weight、max_delta_step、subsample、colsample_bytree、colsample_bylevel、scale_pos_weight ; Parameter for Linear Booster 如 lambda、alpha、lambda_bias）； • 学习目标参数（如objective、base_score、eval_metric、seed）； XGBOOST与特征 • 特征重要性评估 • 线性特征生成 XGBOOST学习材料、参考代码 • XGBOOST在代码中的实现 • Python中的XGBOOST包以及参数介绍 • XGBOOST在Python中的API • 更多关于XGBOOST的经典学习材料和实现代码

• 如果你已经参加过一些数据竞赛，在尝试寻找更好的算法建立模型，想在竞赛中进入Top10； • 如果你要参加算法工程师的面试，很多时候XGBOOST是一个绕不过去的题目，你需要懂得原理； • 如果你已经了解过XGBOOST，却总是充当一个调包侠，不明白算法背后的数学模型； • 如果你已经应用过XGBOOST，在实际使用以及调参方面，总是不能得心应手而耗费大量时间。

了解数据挖掘基本算法，如果关注过一些数据挖掘竞赛学习起来就更没问题啦。

好好学习，天天向上。

推荐同学们看完课程后，使用XGBOOST实战一番，去DC竞赛提升你的竞赛排名吧。