@Lesson5：通过能源预测与分配案例实战机器学习的完整流程

寒老师的一句话，让我启发很大，数据挖掘，重点不在模型和调参，而在于“特征工程”，时刻谨记，要对数据有充足的了解和调查，才能得到好的结果。
这节课讲了3个模型({project1:energy_forcast,project2:havard_energy_forcast,project3:subway_prediction}，其中最后一个是Homework，需要对xgboost调参（参考Lesson1模板），前2个可以类比工业界case流程，需要好好研读。
下面符github地址，内含PPT，以及case notebook：https://github.com/wbqjyjy/ML-/tree/master/kaggle%E5%AE%9E%E6%88%98%E6%A1%88%E4%BE%8B/%E8%83%BD%E6%BA%90%E9%A2%84%E6%B5%8B%E4%B8%8E%E5%88%86%E9%85%8D%E6%A1%88%E4%BE%8B%E5%AE%9E%E6%88%98

其中有一篇论文“Probabilistic Electricity Price Forecasting Paper”，主要讲在电力行业，特征工程该怎么做，才能更好的拟合model，从而得到很好的结果，有时间也应该看一看，看看experiment procedure。