课程简介
复旦大学计算机科学技术学院教授赵卫东、高级工程师董亮《商务数据分析》课程。本课程在介绍传统的机器学习理论的基础上，突出了机器学习目前主流的一些内容，包括深度学习的典型算法与应用、知识图谱、机器学习在电子推荐技术的应用等。通过本课程的学习，使学员可以初步了解机器学习的常用算法以及典型的应用领域，为更深入地学习高级机器学习以及实战打下基础。
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