商务数据分析教程

商务数据分析教程资源简介：

商务数据分析教程课程

├──{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