商务数据分析教程

{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