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
