【高级】炼数成金大数据之机器学习视频教程（重点） 11课
课程介绍：机器学习是指一套工具、方法或程式，使到我们可以从现实世界的海量数据里提炼出有价值的知识，规则和模式，然后将它们反哺给前台应用系统，进行预测，推荐等能产生直接经济价值的场景，给用户带来“机器具备人类般高智能”的震撼性体验。对于数据越来越多，而人力成本又越来越高的大数据时代，机器学习能降低企业进行数据分析的成本，掌控有关技术，可以给企业和个人带来巨大的价值。
机器学习，人工智能，数据挖掘，模式识别等技术，其实是同一座山峰在不同视角下的侧影，其技术内涵几乎是一样的，都是回归，分类器，聚类，频繁模式挖掘，神经网络等等，我们学习机器识别的同时，学到的知识同样也可以用于数据挖掘和设计机器人这样高度智能化的产品，这些领域概念之间至少在技术上没有界限，是互相渗透的。
本课程的受众主要是没有经过专业训练的IT专业人员，他们可能是程序员，运维，IT系统架构师等等，也适合没有经过科班训练的数据分析师。数据分析是一个业务+算法+IT的交叉领域，同时熟悉这三方面知识的人，可以玩转大数据，产生无穷无尽的花样，产生巨大的价值。但很无奈的情况是这种人才太少，IT人员即使熟悉本公司的业务，但同时又熟悉算法的人极少。一般只能做一些简单的维度统计，指标计算等等，如果说到开发更高智能的系统，知识上鞭长莫及。本课程的目标，正是要打破知识的鸿沟，向IT人员普及算法知识，并把这些知识用于实际项目，把中国的机器学习应用能力提高一个台阶。
课程内容：
第1课 机器学习概论
第2课 线性回归与Logistic。案例：电子商务业绩预测
第3课 岭回归，Lasso，变量选择技术。从一团乱麻中识别有用维度的技巧
第4课 降维技术。案例：业绩综合指标设计
第5课 线性分类器，Knn算法，朴素贝叶斯分类器，文本挖掘，案例：智能判断垃圾短信，通过文本挖掘给用户加标签，评论自动分析，用户流失预警
第6课 决策树，组合提升算法，bagging和adaboost，随机森林。案例：运营商用户分析
第7课 支持向量机，为什么能理解SVM的人凤毛麟角？
第8课 人工神经网络，单层感知器，线性神经网络，BP神经网络，基于梯度下降的学习算法，图像压缩和银行用户信用评估
第9课 通用逼近器径向基函数神经网络，在新观点下审视PDA和SVM。Hopfield联想记忆型神经网络。案例：字符识别，人脸识别
第10课 概率神经网络和信念贝叶斯分类器
第11课 聚类，孤立点判别。案例：推荐系统，自动品酒器，作弊识别，社会系统团体识别
授课对象：
对机器学习有兴趣的朋友，特别适合想学习算法的IT专业人员或非科班出身的数据分析人员。最好能有一些线性代数，统计等数学基本知识，没有也无妨，可以在课程期间快速补强。
收获预期：
对于数据分析基础的朋友，可以提高其处理大数据的能力。对于IT基础的朋友，可以通过课程了解机器学习算法的原理与应用，进军大数据分析领域
**** Hidden Message *****
谢谢楼主。 强烈支持楼主ing…… 强烈支持楼主ing…… 看到这帖子真是高兴！ 666 强烈支持楼主ing……
页:
[1]