商务数据分析

课程目标：

本课程主要介绍深度学习的基本原理、卷积神经网络和循环神经网络等基本方法及其典型应用领域，并借助机器学习开源平台TensorFlow实现深度学习在证券趋势预测、声音质量评价、电子推荐、目标检测、社交网络情感分析等多个典型领域的应用。

课程截图：

〖课程目录〗:

• | └──6、商务数据分析
• | | ├──{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

yeyudao普通

收藏 海报 链接