课程目录
├──{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
