课程介绍

机器学习是人工智能的一部分，通过数据学习某种规律，让计算机能够自我学习并改进。深度学习是机器学习的子集，使用神经网络模型来学习和预测。机器学习和大数据之间存在联系，机器学习需要从数据中学习，大数据包括结构化和非结构化数据，可以用来训练机器学习的推荐系统

课程目录

• 第1节 机器学习介绍
• 1.1机器学习、大数据、数据挖掘的区别和联系
• 1.2分类、回归和聚类的理论
• 1.3机器学习的流程 数据预处理
• 1.4案例：通过广告投放预测产品销量
• 机器学习课件及代码
• 第2节 K-NN 最近邻
• 2.1KNN介绍
• 2.2欧式距离以及KNN实现
• 2.3KNN的决策边界
• 2.4通过交叉验证选择K
• 2.5特征缩放
• 2.6二手车估价案例
• 2.7KNN的延伸内容（Optional）
• 第3节 线性回归与逻辑回归
• QA
• 逻辑回归1
• 逻辑回归2
• 线性回归1
• 线性回归2
• 第4节 朴素贝叶斯
• 4.1朴素贝叶斯的核心思想
• 4.2垃圾邮件分类-01
• 4.3垃圾邮件分类-02
• 4.4手推一个完整的例子
• 4.5文本表示-01
• 4.6文本表示-02
• 4.7Extensions
• 第5节 SVM支持向量机
• 5.1SVM-01
• 5.2SVM-02
• 5.3SVM-03
• 5.4SVM-04
• 第6节 决策树与随机森林
• 6.1决策树01
• 6.2决策树02
• 6.3随机森林01
• 6.4随机森林02
• 6.5随机森林03
• 第7节 K-means
• 7.1聚类分析
• 7.2kmeans算法
• 7.3kmeans算法过程及特性
• 7.4kmeans的实现
• 7.5kmeans案例
• 7.6kmeans的目标函数
• 7.7K值如何选择
• 7.8其他聚类算法及问答
• 第8节 矩阵分解
• 8.1Recommender
• 8.2矩阵分解推荐系统.代码演示.1
• 8.3矩阵分解推荐系统.代码演示.2
• 第9节 Boosting
• 9.1XGBoost
• 9.2训练模型
• 9.3使用泰勒级数近似目标函数
• 9.4新的目标函数
• 9.5寻找最好的Split
• 第10节 主题模型
• 10.1主题模型
• 10.2MLEvsMAPvsBayesian
• 10.3从生成的角度来看LDA
• 10.4计算模型的参数