课程 / 计算机 / 机器学习
        
        机器学习
        机器学习
        
            目录
            介绍
            资料
        
        
        课程目录
- 
                
                1
                
机器学习概述
 - 课时 1 机器学习概论
 - 课时 2 机器学习方法及其应用(1)
 - 课时 3 机器学习方法及其应用(2)
 - 课时 4 机器学习常见问题(1)
 - 课时 5 机器学习常见问题(2)
 - 课时 6 从事机器学习工作的准备(1)
 - 课时 7 从事机器学习工作的准备(2)
 - 
                
                2
                
机器学习基本方法
 - 课时 8 回归分析(1)
 - 课时 9 回归分析(2)
 - 课时 10 回归分析(3)
 - 课时 11 可视化分析(1)
 - 课时 12 可视化分析(2)
 - 
                
                3
                
决策树与分类算法
 - 课时 13 决策树算法
 - 课时 14 ID3 算法
 - 课时 15 C4.5算法和CART算法
 - 课时 16 连续属性离散化、过拟合问题和分类效果评价
 - 课时 17 集成学习
 - 
                
                4
                
聚类分析
 - 课时 18 聚类分析概念
 - 课时 19 聚类分析的度量
 - 课时 20 基于划分的方法(1)
 - 课时 21 基于划分的方法(2)
 - 课时 22 基于密度聚类和基于层次聚类
 - 课时 23 基于模型的聚类
 - 
                
                5
                
文本分析
 - 课时 24 文本分析(1)
 - 课时 25 文本分析(2)
 - 课时 26 文本分析(3)
 - 课时 27 知识图谱(1)
 - 课时 28 知识图谱(2)
 - 课时 29 知识图谱(3)
 - 课时 30 词法分析、句法分析
 - 课时 31 语义分析
 - 课时 32 文本分析应用
 - 
                
                6
                
神经网络基础
 - 课时 33 神经网络介绍
 - 课时 34 BP神经网络(1)
 - 课时 35 BP神经网络(2)
 - 课时 36 神经网络相关概念
 - 课时 37 神经网络的应用
 - 
                
                7
                
贝叶斯网络
 - 课时 38 贝叶斯网络(1)
 - 课时 39 贝叶斯网络(2)
 - 课时 40 贝叶斯网络(3)
 - 
                
                8
                
支持向量机
 - 课时 41 支持向量机(1)
 - 课时 42 支持向量机(2)
 - 课时 43 支持向量机(3)
 - 
                
                9
                
进化计算
 - 课时 44 进化计算(1)
 - 课时 45 进化计算(2)
 - 课时 46 进化计算(3)
 - 
                
                10
                
分布式机器学习
 - 课时 47 分布式机器学习基础
 - 课时 48 分布式机器学习框架
 - 课时 49 并行决策树
 - 课时 50 并行k-均值算法
 - 课时 51 多元线性回归模型
 - 
                
                11
                
深度学习
 - 课时 52 卷积基本概念
 - 课时 53 LeNet框架(1)
 - 课时 54 LeNet框架(2)
 - 课时 55 卷积基本单元
 - 课时 56 反向传播训练
 - 课时 57 基于深度神经网络的股票预测
 - 课时 58 循环神经网络(1)
 - 课时 59 循环神经网络(2)
 - 课时 60 循环神经网络(3)
 - 课时 61 循环神经网络(4)
 - 
                
                12
                
电子推荐系统
 - 课时 62 推荐系统基础
 - 课时 63 推荐系统结构
 - 课时 64 基于人口统计学的推荐、基于内容的推荐
 - 课时 65 基于协同过滤的推荐算法、基于隐语义模型算法
 - 课时 66 基于图的模型、基于PageRank的推荐、基于关联规则的推荐
 - 课时 67 基于知识的推荐、基于实例的推荐、基于约束的推荐、基于标签的推荐
 - 课时 68 评测方法
 - 课时 69 评测指标
 - 课时 70 推荐系统常见问题
 - 课时 71 关联规则(1)
 - 课时 72 关联规则(2)
 - 课时 73 关联规则(3)
 
作者简介
                                赵卫东,复旦大学计算机科学技术学院副教授,博士。主要研究方向为商务数据分析和大数据分析。2015年度上海市科技进步二等奖获得者。主持的“商务智能”课程被评为上海市精品课程,并获得2013年度上海市高等教育教学成果二等奖。主持完成国家自然科学基金、上海市浦江人才及企业合作课题等20多个项目。在《管理科学学报》、Knowledge and Information Systems、Information Processing & Management、Information Systems Frontiers等国内外期刊和相关学术会议发表论文90多篇。出版专著《智能化的流程管理》及《数据挖掘实用案例分析》《商务智能(第四版)》等多本教材,翻译出版《商务智能数据分析的管理视角(第四版)》《人机共生》等多部著作。
                            
                        课程介绍
                                机器学习是人工智能的重要技术基础,涉及的内容十分广泛。本书涵盖了机器学习的基础知识,主要包括机器学习的概述、统计学基础、分类、聚类、神经网络、贝叶斯网络、支持向量机、进化计算、文本分析等经典的机器学习基础知识,还包括用于大数据机器学习的分布式机器学习算法、深度学习等高级内容。此外,本书还介绍了机器学习的热门应用领域推荐系统,并给出了华为机器学习平台上的实验。
本书深入浅出、内容全面、案例丰富,每章结尾都有习题,供读者巩固所学知识。
                        本书深入浅出、内容全面、案例丰富,每章结尾都有习题,供读者巩固所学知识。
最新问答
暂无问答
最新学生
暂无学生
                    
京ICP备 05035396-5号