慕课-英华学堂

商务数据分析

课程类型：选修课

发布时间：2020-12-30 08:41:08

主讲教师：

课程来源：

建议学分：0.00分

课程编码：mk000502

课程介绍

课程目录

教师团队

{1}--第一单元机器学习概论

s [1.1.1]--机器学习的初步认识（25分钟）

s [1.2.1]--机器学习过程（18分钟）

s [1.3.1]--机器学习常用算法（30分钟）

s [1.4.1]--机器学习常用算法（2）（25分钟）

s [1.5.1]--机器学习常见问题（1）（23分钟）

s [1.6.1]--从事机器学习的准备（17分钟）

s [1.7.1]--机器学习常用领域（22分钟）

{2}--第二单元分类算法

s [2.10.1]--贝叶斯网络模型（24分钟）

s [2.11.1]--贝叶斯网络的应用（25分钟）

s [2.1.1]--决策树算法（22分钟）

s [2.2.1]--ID3算法（36分钟）

s [2.3.1]--C4.5算法和CART算法（20分钟）

s [2.4.1]--连续属性离散化、过拟合问题和分类效果评价（36分钟）

s [2.5.1]--集成学习常用算法（19分钟）

s [2.6.1]--支持向量机简介（21分钟）

s [2.7.1]--支持向量机原理（31分钟）

s [2.8.1]--支持向量机的应用（30分钟）

s [2.9.1]--贝叶斯网络简介（34分钟）

s "#2.10.1#--Bayes垃圾邮件分类模型python源程序"

s "(2.10.1)--贝叶斯网络"

s "(2.11.1)--贝叶斯网络的应用研究（选读）"

s "(2.1.1)--分类与决策树"

s "#2.3.1#--决策树python程序"

s "(2.3.1)--决策树应用研究（选读）"

s "#2.5.1#--Adaboostpython源程序"

s "(2.5.1)--集成学习应用研究（选读）"

s "(2.6.1)--支持向量机"

s "#2.7.1#--支持向量机python源程序"

s "(2.8.1)--支持向量机应用研究（选读）"

{3}--第三单元神经网络基础

s [3.1.1]--神经网络简介（18分钟）

s [3.2.1]--神经网络相关概念（36分钟）

s [3.3.1]--BP神经网络算法（1）（22分钟）

s [3.4.1]--BP神经网络算法（2）（24分钟）

s [3.5.1]--神经网络的应用（14分钟）

s "(3.1.1)--神经网络基础"

s "#3.3.1#--神经网络python源程序"

s "#3.4.1#--神经网络手写体识别python程序"

s "(3.5.1)--imagerestorationalgorithmsbasedo"

{4}--第四单元聚类分析

s [4.1.1]--聚类分析的概念（13分钟）

s [4.2.1]--聚类分析的度量（23分钟）

s [4.3.1]--基于划分的方法（1）（24分钟）

s [4.4.1]--基于划分的方法（2）（18分钟）

s [4.5.1]--基于密度聚类和基于层次聚类（26分钟）

s [4.6.1]--基于模型的聚类（24分钟）

s "(4.1.1)--聚类分析"

s "#4.3.1#--Kmeans算法的python源程序"

s "(4.3.1)--聚类的个性化学习应用（选读）"

s "#4.5.1#--DBSCAN算法python程序"

s "(4.5.1)--聚类的社交网络应用（选读）"

s "(4.5.2)--Clusteringgeolocateddataforoutli"

{5}--第五单元可视化分析

s [5.1.1]--可视化分析基础（18分钟）

s [5.2.1]--可视化分析方法（27分钟）

s [5.3.1]--在线教学的数据分析（44分钟）

s "#5.1.1#--可视化示例python示例1"

s "(5.1.1)--可视化基础"

s "#5.2.1#--可视化示例python程序2"

s "(5.2.1)--可视化的应用（选读）"

{6}--第六单元关联分析

s [6.1.1]--关联分析基本概念（32分钟）

s [6.2.1]--Apriori算法（27分钟）

s [6.3.1]--关联规则应用（22分钟）

s "(6.1.1)--关联分析"

s "#6.2.1#--Apriori算法python程序示例"

s "(6.2.1)--关联分析在服装缺陷检测中的应用（选读）"

s "(6.3.1)--关联算法在化妆品推荐中的应用（选读）"

{7}--第七单元回归分析

s [7.1.1]--回归分析基础（32分钟）

s [7.2.1]--线性回归分析（34分钟）

s [7.3.1]--非线性回归分析（39分钟）

s "(7.1.1)--回归分析"

s "#7.2.1#--回归分析python程序"

s "(7.2.1)--ALinearRegressionApproachtoRecom"

{8}--第八单元文本分析

s [8.1.1]--文本分析简介（17分钟）

s [8.2.1]--文本分析基本概念（31分钟）

s [8.3.1]--语言模型、向量空间模型（25分钟）

s [8.4.1]--词法、分词、句法分析（26分钟）

s [8.5.1]--语义分析（8分钟）

s [8.6.1]--文本分析应用（30分钟）

s [8.7.1]--知识图谱概念（28分钟）

s [8.8.1]--知识图谱技术（27分钟）

s [8.9.1]--知识图谱构建和应用（19分钟）

s "(8.1.1)--文本分析基础"

s "(8.2.1)--Morethanwords-Socialnetworks’tex"

s "#8.3.1#--TF-IDF特征获取python程序"

s "#8.3.2#--LDA主题提取python程序"

s "#8.4.1#--结巴分词python程序"

s "#8.6.1#--文本分类应用python程序"

s "(8.6.1)--文本分析应用案例（选读）"

s "(8.6.2)--Usingtextminingandsentimentanaly"

s "(8.7.1)--知识图谱"

{9}--第九单元分布式机器学习、遗传算法

s [9.1.1]--分布式机器学习基础（24分钟）

s [9.2.1]--分布式机器学习框架（15分钟）

s [9.3.1]--并行决策树（12分钟）

s [9.4.1]--并行k-均值算法（3分钟）

s [9.5.1]--并行多元线性回归模型（15分钟）

s [9.6.1]--遗传算法基础（29分钟）

s [9.7.1]--遗传算法的过程（19分钟）

s [9.8.1]--遗传算法的应用（21分钟）

s "(9.1.1)--分布式机器学习"

s "(9.6.1)--遗传算法"

s "(9.8.1)--Usegeneticalgorithmtoimproveoils"

{10}--第十单元电子推荐系统

s [10.1.1]--推荐系统基础（32分钟）

s [10.2.1]--推荐系统结构（7分钟）

s [10.3.1]--基于人口统计学的推荐、基于内容的推荐（15分钟）

s [10.4.1]--基于协同过滤的推荐算法（18分钟）

s [10.5.1]--基于图的模型、基于PageRank的推荐、基于关联规则的推荐（17分钟）

s [10.6.1]--其他推荐方法（14分钟）

s [10.7.1]--推荐结果的评测方法（8分钟）

s [10.8.1]--推荐结果的评测指标（35分钟）

s [10.9.1]--推荐系统常见问题（13分钟）

s "(10.1.1)--推荐技术"

s "(10.3.1)--location-awarerecommendersystemf"

s "(10.4.1)--personalizedrecommenderforcosmet"

{11}--第十一单元深度学习

s [11.10.1]--基于LSTM的股票预测（3分钟）

s [11.1.1]--卷积基本概念（25分钟）

s [11.2.1]--LeNet框架（1）（20分钟）

s [11.3.1]--LeNet框架（2）（19分钟）

s [11.4.1]--卷积基本单元（18分钟）

s [11.5.1]--卷积神经网络训练（14分钟）

s [11.6.1]--基于卷积的股票预测（23分钟）

s [11.7.1]--循环神经网络基础（26分钟）

s [11.8.1]--循环神经网络的训练和示例（36分钟）

s [11.9.1]--长短期记忆网络（17分钟）

s "(11.1.1)--卷积神经网络"

s "#11.3.1#--LeNet-5python程序"

s "#11.5.1#--卷积用于识别狗猫的案例"

s "(11.6.1)--股票预测"

s "(11.7.1)--循环神经网络"

s "(11.9.1)--ConvolutionalLSTMNetwork（选读）"

{12}--总结：面向实践的机器学习课程研讨

s [12.1.1]--实践驱动的机器学习教学（22分钟）

s "(12.1.1)--突破知识型教学走向实践"