2019年最新复旦大学机器学习商务数据分析2019年最新复旦大学机器学习（商务数据分析）
资源详情2019年最新 复旦大学 – 机器学习（商务数据分析）课程介绍掌握机器学习的基本概念、常用算法.并在此基础上应用于相关领域.培养一定的分析实际问题的能力。商务数据分析（机器学习篇）利用机器学习等方法对商务数据进行分析.以提决策的质量。本课程主要介绍机器学习的基本方法.涵盖了统计学习基础、分类、聚类、进化计算、文本分析等经典的机器学习知识.也包括分布式机器学习算法、深度学习以及推荐技术等基本的内容。1.我为什么要学习这门课？机器学习是人工智能的重要组成和技术基础.伴随着人工智能几十年的发展.期间几次大起大落。作为机器学习的高级阶段.最近几年深度学习算法在自然语言处理、语音识别、图像处理等领域的突破应用和广泛接受。这也标志着机器学习已经彻底迈出实验室大门.走向实践.推动着人工智能向更高阶段发展。数据应用和人工智能发展已经引起了全球关注。企业对机器学习的人才需求增大.与之密切相关的数据科学家、数据挖掘工程师、大数据分析师、机器学习工程师等数据分析类人才成为本世纪最有吸引力的职业。根据相关企业估计.上述人才的增长高峰将持续6-8年。为此.教育部批准了一批高校成立了数据科学与大数据技术、大数据应用、智能科学与技术、人工智能等相关专业.为业界培养相应的机器学习专业人才。本课程就是对机器学习感兴趣的学员准备的。2.这门课的主题是什么？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。3.学习这门课可以获得什么？从早期的统计学习、发展到联结主义的神经网络、直至深度神经网络的过程中.机器学习解决了企业应用的一些问题.辅助业务人员和管理人员做出更好的决策.在一些应用领域已经达到甚至超过人的智能水平.从而引发机器学习在金融、智能制造、零售、电子商务、电信等众多行业的广泛应用。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。4.这门课有什么特色和亮点？机器学习是一门理论和实践并重的课程.其中的内容比较多.很多算法也有一定的难度。机器学习的应用也需要一定的经验和技巧。本课程参阅了大量文献资料.结合过去多年的数据分析研究和实践.重新梳理了机器学习的整个课程体系.使得内容尽量覆盖机器学习的基本内容.深入浅出.学生在此基础上可以钻研机器学习高级的算法。课程通过大量的选择题、填空和判断题检验和巩固学员对基本知识的理解。5.这门课的学习方法建议建议结合教材《机器学习》（人民邮电出版社.2018）、《机器学习案例实战》（人民邮电出版社.2019）学习.打好基础.线下动手练习.循序渐进。课程大纲第一单元 机器学习概论介绍机器学习的发展、主要算法或方法及其主要应用领域.还涉及从事机器学习的准备工作。1.1 机器学习应用1.2 机器学习过程1.3 机器学习常见问题1.4 从事机器学习的准备第二单元 决策树与分类算法介绍常用的决策树算法id3、c4.5、cart等、集成算法随机森林、梯度提升树和决策树的过拟合、连续属忄生离散化等问题；支持向量机的原理、应用；朴素贝叶斯模型、贝叶斯网络原理以及应用；判别分析和主分量分析等。2.1 决策树算法2.2 id3算法2.3 c4.5算法和cart算法2.4 连续属忄生离散化、过拟合问题2.5 集成学习2.6 梯度提升树gbdt算法2.7 pca和svd2.8 支持向量机基本概念2.9 支持向量机原理2.10 支持向量机的应用2.11 朴素贝叶斯模型2.12 贝叶斯网络模型2.13 贝叶斯网络的应用2.14 判别分析第三单元 神经网络基础介绍前馈神经网络的基本概念、结构、梯度下降法以及常用应用等。3.1 神经网络简介3.2 神经网络相关概念3.3 前馈神经网络算法3.4 神经网络的应用第四单元 聚类分析介绍聚类的基本概念、常用的几种聚类算法.包括基于划分的聚类、基于密度的聚类、基于层次的聚类以及基于模型的聚类、em算法等。4.1 聚类分析的概念4.2 聚类分析的度量4.3 基于划分的聚类4.4 基于密度聚类和基于层次聚类4.5 基于模型的聚类4.6 em算法第五单元 可视化分析介绍可视化分析的基本作用、方法以及典型的教育数据分析应用。5.1 可视化分析基础5.2 可视化分析方法5.3 在线教学数据分析第六单元 关联分析介绍关联分析的基本概念、典型的关联分析算法.包括apriori算法以及典型应用。6.1 关联分析基本概念6.2 apriori算法6.3 关联规则应用第七单元 回归分析介绍回归分析的基本概念、分析过程以及线忄生回归、非线忄生回归及其典型应用。7.1 回归分析基础7.2 线忄生回归分析7.3 非线忄生回归分析第八单元 文本分析介绍文本分析的基本概念、语言模型、词法句法和语义分析.以及知识图谱的基本概念、技术及其典型应用。8.1 文本分析简介8.2 文本分析基本概念8.3 语言模型、向量空间模型8.4 词法、分词、句法分析8.5 语义分析8.6 文本分析应用8.7 知识图谱简介8.8 知识图谱技术8.9 知识图谱构建和应用第九单元 分布式机器学习、进化计算介绍分布式机器学习的基本原理、学习框架.决策树、k-均值聚类、多元线忄生回归的并行版本；遗传算法的基本概念、原理以及应用；蜂群算法的基本原理以及应用。9.1 分布式机器学习基础9.2 分布式机器学习框架9.3 并行决策树9.4 并行k-均值算法9.5 并行多元线忄生回归模型9.6 遗传算法基础9.7 遗传算法的过程9.8 遗传算法的应用9.9 蜂群算法第十单元 电子推荐系统介绍电子推荐系统的基本概念、作用、结构、常用的电子推荐方法、电子推荐算法的评估指标和方法以及电子推荐的典型应用。10.1 推荐系统基础10.2 推荐系统结构10.3 基于人口统计学的推荐、基于内容的推荐10.4 基于协同过滤的推荐算法10.5 基于图、pagerank、关联规则的推荐10.6 其他推荐方法10.7 推荐结果的评测方法10.8 推荐结果的评测指标10.9 推荐系统常见问题第十一单元 深度学习介绍深度学习的基本概念、卷积神经网络、循环神经网络、长短期记忆lstm等典型算法及其在股票预测中的应用；生成对抗网络、强化学习、迁移学习、对偶学习等。11.1 卷积基本概念11.2 lenet框架11.3 卷积基本单元11.4 卷积神经网络训练11.5 基于卷积的股票预测11.6 卷积神经网络的高级应用11.7 循环神经网络rnn基础11.8 循环神经网络的训练和示例11.9 长短期记忆网络lstm11.10 基于lstm的股票预测11.11 生成对抗网络11.12 强化学习11.13 迁移学习11.14 对偶学习
