复旦大学:商务数据分析

复旦大学:商务数据分析插图

课程简介

复旦大学计算机科学技术学院教授赵卫东、高级工程师董亮《商务数据分析》课程。本课程在介绍传统的机器学习理论的基础上,突出了机器学习目前主流的一些内容,包括深度学习的典型算法与应用、知识图谱、机器学习在电子推荐技术的应用等。通过本课程的学习,使学员可以初步了解机器学习的常用算法以及典型的应用领域,为更深入地学习高级机器学习以及实战打下基础。

课程目录

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

第二单元-分类算法

  • {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
  • {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

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

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

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

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

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

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

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

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

第十一单元-深度学习

  • {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
  • {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

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