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
评论0