获取相关资料

商务数据分析教程

商务数据分析教程

商务数据分析教程

资源简介:

资源大小:18.1 GB

课程目录

{10}–第十单元电子推荐系统

| {1}–推荐系统基础

| {2}–推荐系统结构

| {3}–基于人口统计学的推荐、基于内容的推荐

| {4}–基于协同过滤的推荐算法

| {5}–基于图的模型、基于PageRank的推荐、基于关联规则的推荐

| {6}–其他推荐方法

| {7}–推荐结果的评测方法

| {8}–推荐结果的评测指标

| {9}–推荐系统常见问题

{11}–第十一单元深度学习

| {10}–基于LSTM的股票预测

| {11}–图像定位与识别1

| {12}–图像定位于识别2

| {13}–强化学习

| {14}–生成对抗网络

| {15}–迁移学习

| {16}–对偶学习

| {17}–深度学习复习

| {1}–卷积基本概念

| {2}–LeNet框架(1)

| {3}–LeNet框架(2)

| {4}–卷积基本单元

| {5}–卷积神经网络训练

| {6}–基于卷积的股票预测

| {7}–循环神经网络RNN基础

| {8}–循环神经网络的训练和示例

| {9}–长短期记忆网络LSTM

{12}–第十二单元面向实践的机器学习课程研讨

| {1}–课程教学方法研讨

{1}–第一单元机器学习概论

| {1}–机器学习简介

| {2}–机器学习过程

| {3}–机器学习常用算法(1)

| {4}–机器学习常用算法(2)

| {5}–机器学习常见问题

| {6}–从事机器学习的准备

| {7}–机器学习的常用应用领域

{2}–第二单元分类算法

| {10}–贝叶斯网络模型算法

| {11}–贝叶斯网络的应用

| {12}–主分量分析和奇异值分解

| {13}–判别分析

| {1}–决策树概述

| {2}–ID3算法

| {3}–C4.5算法和CART算法

| {4}–连续属性离散化、过拟合问题

| {5}–集成学习

| {6}–支持向量机基本概念

| {7}–支持向量机原理

| {8}–支持向量机的应用

| {9}–朴素贝叶斯模型

{3}–第三单元神经网络基础

| {1}–神经网络简介

| {2}–神经网络相关概念

| {3}–BP神经网络算法(1)

| {4}–BP神经网络算法(2)

| {5}–神经网络的应用

{4}–第四单元聚类分析

| {1}–聚类分析的概念

| {2}–聚类分析的度量

| {3}–基于划分的方法(1)

| {4}–基于划分的方法(2)

| {5}–基于密度聚类和基于层次聚类

| {6}–基于模型的聚类

| {7}–EM算法

{5}–第五单元可视化分析

| {1}–可视化分析基础

| {2}–可视化分析方法

| {3}–在线教学的数据分析案例

{6}–第六单元关联分析

| {1}–关联分析基本概念

| {2}–Apriori算法

| {3}–关联规则应用

{7}–第七单元回归分析

| {1}–回归分析基础

| {2}–线性回归分析

| {3}–非线性回归分析

{8}–第八单元文本分析

| {1}–文本分析简介

| {2}–文本分析基本概念

| {3}–语言模型、向量空间模型

| {4}–词法、分词、句法分析

| {5}–语义分析

| {6}–文本分析应用

| {7}–知识图谱简介

| {8}–知识图谱技术

| {9}–知识图谱构建和应用

{9}–第九单元分布式机器学习、遗传算法

| {1}–分布式机器学习基础

| {2}–分布式机器学习框架

| {3}–并行决策树

| {4}–并行k-均值算法

| {5}–并行多元线性回归模型

| {6}–遗传算法基础

| {7}–遗传算法的过程

| {8}–遗传算法的应用

| {9}–蜂群算法

0
分享到:

评论0

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址