4296
7
1
2019-03-18 13:12:41
2019-08-08
我正在中國大學MOOC開設(shè)《商務(wù)數(shù)據(jù)分析(機器學習)》,，推薦給大家,！可以報名瀏覽
https://www.icourse163.org/course/FUDAN-1205806833
這次補充一些高級算法
歡迎各位老師推薦學生選修，提出寶貴意見
課程大綱
第一單元 機器學習概論
介紹機器學習的發(fā)展、主要算法或方法及其主要應用領(lǐng)域,，還涉及從事機器學習的準備工作。
1.1 機器學習應用
1.2 機器學習過程
1.3 機器學習常見問題
1.4 從事機器學習的準備
第二單元 決策樹與分類算法
介紹常用的決策樹算法ID3、C4.5、CART等,、集成算法隨機森林、梯度提升樹和決策樹的過擬合,、連續(xù)屬性離散化等問題,；支持向量機的原理、應用,；樸素貝葉斯模型,、貝葉斯網(wǎng)絡(luò)原理以及應用；判別分析和主分量分析等,。
2.1 決策樹算法
2.2 ID3算法
2.3 C4.5算法和CART算法
2.4 連續(xù)屬性離散化,、過擬合問題
2.5 集成學習
2.6 梯度提升樹GBDT算法
2.7 PCA和SVD
2.8 支持向量機基本概念
2.9 支持向量機原理
2.10 支持向量機的應用
2.11 樸素貝葉斯模型
2.12 貝葉斯網(wǎng)絡(luò)模型
2.13 貝葉斯網(wǎng)絡(luò)的應用
2.14 判別分析
第三單元 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
介紹前饋神經(jīng)網(wǎng)絡(luò)的基本概念、結(jié)構(gòu),、梯度下降法以及常用應用等,。
3.1 神經(jīng)網(wǎng)絡(luò)簡介
3.2 神經(jīng)網(wǎng)絡(luò)相關(guān)概念
3.3 前饋神經(jīng)網(wǎng)絡(luò)算法
3.4 神經(jīng)網(wǎng)絡(luò)的應用
第四單元 聚類分析
介紹聚類的基本概念、常用的幾種聚類算法,，包括基于劃分的聚類,、基于密度的聚類,、基于層次的聚類以及基于模型的聚類,、EM算法等。
4.1 聚類分析的概念
4.2 聚類分析的度量
4.3 基于劃分的聚類
4.4 基于密度聚類和基于層次聚類
4.5 基于模型的聚類
4.6 EM算法
第五單元 可視化分析
介紹可視化分析的基本作用,、方法以及典型的教育數(shù)據(jù)分析應用,。
5.1 可視化分析基礎(chǔ)
5.2 可視化分析方法
5.3 在線教學數(shù)據(jù)分析
第六單元 關(guān)聯(lián)分析
介紹關(guān)聯(lián)分析的基本概念,、典型的關(guān)聯(lián)分析算法，包括Apriori算法以及典型應用,。
6.1 關(guān)聯(lián)分析基本概念
6.2 Apriori算法
6.3 關(guān)聯(lián)規(guī)則應用
第七單元 回歸分析
介紹回歸分析的基本概念,、分析過程以及線性回歸、非線性回歸及其典型應用,。
7.1 回歸分析基礎(chǔ)
7.2 線性回歸分析
7.3 非線性回歸分析
第八單元 文本分析
介紹文本分析的基本概念,、語言模型、詞法句法和語義分析,，以及知識圖譜的基本概念,、技術(shù)及其典型應用。
8.1 文本分析簡介
8.2 文本分析基本概念
8.3 語言模型,、向量空間模型
8.4 詞法,、分詞、句法分析
8.5 語義分析
8.6 文本分析應用
8.7 知識圖譜簡介
8.8 知識圖譜技術(shù)
8.9 知識圖譜構(gòu)建和應用
第九單元 分布式機器學習,、進化計算
介紹分布式機器學習的基本原理,、學習框架，決策樹,、k-均值聚類,、多元線性回歸的并行版本；遺傳算法的基本概念,、原理以及應用,；蜂群算法的基本原理以及應用。
9.1 分布式機器學習基礎(chǔ)
9.2 分布式機器學習框架
9.3 并行決策樹
9.4 并行k-均值算法
9.5 并行多元線性回歸模型
9.6 遺傳算法基礎(chǔ)
9.7 遺傳算法的過程
9.8 遺傳算法的應用
9.9 蜂群算法
第十單元 電子推薦系統(tǒng)
介紹電子推薦系統(tǒng)的基本概念,、作用,、結(jié)構(gòu)、常用的電子推薦方法,、電子推薦算法的評估指標和方法以及電子推薦的典型應用,。
10.1 推薦系統(tǒng)基礎(chǔ)
10.2 推薦系統(tǒng)結(jié)構(gòu)
10.3 基于人口統(tǒng)計學的推薦、基于內(nèi)容的推薦
10.4 基于協(xié)同過濾的推薦算法
10.5 基于圖,、PageRank,、關(guān)聯(lián)規(guī)則的推薦
10.6 其他推薦方法
10.7 推薦結(jié)果的評測方法
10.8 推薦結(jié)果的評測指標
10.9 推薦系統(tǒng)常見問題
第十一單元 深度學習
介紹深度學習的基本概念、卷積神經(jīng)網(wǎng)絡(luò),、循環(huán)神經(jīng)網(wǎng)絡(luò),、長短期記憶LSTM等典型算法及其在股票預測中的應用；生成對抗網(wǎng)絡(luò),、強化學習,、遷移學習、對偶學習等,。
11.1 卷積基本概念
11.2 LeNet框架
11.3 卷積基本單元
11.4 卷積神經(jīng)網(wǎng)絡(luò)訓練
11.5 基于卷積的股票預測
11.6 卷積神經(jīng)網(wǎng)絡(luò)的高級應用
11.7 循環(huán)神經(jīng)網(wǎng)絡(luò)RNN基礎(chǔ)
11.8 循環(huán)神經(jīng)網(wǎng)絡(luò)的訓練和示例
11.9 長短期記憶網(wǎng)絡(luò)LSTM
11.10 基于LSTM的股票預測
11.11 生成對抗網(wǎng)絡(luò)
11.12 強化學習
11.13 遷移學習
11.14 對偶學習
第十二單元 面向?qū)嵺`的機器學習課程研討
討論如何結(jié)合實踐,，在奠定基礎(chǔ)理論的基礎(chǔ)上,，培養(yǎng)機器學習的應用技能。
課程學習方法研討
