课程打破传统数据分析与人工智能教学割裂的局限，采用“机器学习筑基—>核心算法进阶—>前沿AI技术—>分布式与实战应用”的四驱全链路教学模型。课程从机器学习概论、分类与聚类算法起步，深入讲解决策树、支持向量机、贝叶斯网络及神经网络基础等核心算法逻辑。随后重点攻坚文本分析、知识图谱构建与可视化分析方法。课程后半部分硬核攻坚前沿AI领域，系统掌握深度学习（卷积神经网络CNN、循环神经网络RNN、长短期记忆网络LSTM）、推荐系统架构、分布式机器学习及遗传算法，最终通过“基于LSTM的股票预测”、“图像定位与识别”等真实项目实现技术闭环。这不仅是算法理论的堆砌，更是对“数据驱动思维、算法建模能力、商业智能落地”三位一体能力的深度重塑，助你从一名业务分析人员蜕变为具备核心竞争力的数据科学家与AI架构师。
课程目录：
商务数据分析
+—{10}–第十单元电子推荐系统
| +—{1}–推荐系统基础
| | (10.1.1)–推荐技术.pdf
| | [10.1.1]–推荐系统基础.mp4
| |
| +—{2}–推荐系统结构
| | [10.2.1]–推荐系统结构.mp4
| |
| +—{3}–基于人口统计学的推荐、基于内容的推荐
| | (10.3.1)–location-awarerecommendersystemf.pdf
| | [10.3.1]–基于人口统计学的推荐、基于内容的推荐.mp4
| |
| +—{4}–基于协同过滤的推荐算法
| | (10.4.1)–personalizedrecommenderforcosmet.pdf
| | [10.4.1]–基于协同过滤的推荐算法.mp4
| |
| +—{5}–基于图的模型、基于PageRank的推荐、基于关联规则的推荐
| | [10.5.1]–基于图的模型、基于PageRank的推荐、基于关联规则的推荐.mp4
| |
| +—{6}–其他推荐方法
| | (10.6.1)–人工智能之信息检索与推荐【选读】.pdf
| | [10.6.1]–其他推荐方法.mp4
| |
| +—{7}–推荐结果的评测方法
| | [10.7.1]–推荐结果的评测方法.mp4
| |
| +—{8}–推荐结果的评测指标
| | [10.8.1]–推荐结果的评测指标.mp4
| |
| \—{9}–推荐系统常见问题
| [10.9.1]–推荐系统常见问题.mp4
|
+—{11}–第十一单元深度学习
| +—{10}–基于LSTM的股票预测
| | [11.10.1]–基于LSTM的股票预测.mp4
| |
| +—{11}–图像定位与识别1
| | [11.11.1]–目标检测.mp4
| |
| +—{12}–图像定位于识别2
| | [11.12.1]–目标检测算法.mp4
| |
| +—{13}–强化学习
| | [11.13.1]–加强学习简介.mp4
| |
| +—{14}–生成对抗网络
| | [11.14.1]–生成对抗网络基础.mp4
| |
| +—{15}–迁移学习
| | [11.15.1]–迁移学习基础.mp4
| |
| +—{16}–对偶学习
| | [11.16.1]–对偶学习基础.mp4
| |
| +—{17}–深度学习复习
| +—{1}–卷积基本概念
| | (11.1.1)–卷积神经网络.pdf
| | [11.1.1]–卷积基本概念.mp4
| |
| +—{2}–LeNet框架（1）
| | [11.2.1]–LeNet框架（1）.mp4
| |
| +—{3}–LeNet框架（2）
| | [11.3.1]–LeNet框架（2）.mp4
| |
| +—{4}–卷积基本单元
| | [11.4.1]–卷积基本单元.mp4
| |
| +—{5}–卷积神经网络训练
| | (11.5.1)–卷积笔记.pdf
| | [11.5.1]–卷积神经网络训练.mp4
| |
| +—{6}–基于卷积的股票预测
| | (11.6.1)–股票预测.pdf
| | [11.6.1]–基于卷积的股票预测.mp4
| |
| +—{7}–循环神经网络RNN基础
| | (11.7.1)–循环神经网络.pdf
| | [11.7.1]–循环神经网络基础.mp4
| |
| +—{8}–循环神经网络的训练和示例
| | [11.8.1]–循环神经网络的训练和示例.mp4
| |
| \—{9}–长短期记忆网络LSTM
| (11.9.1)–ConvolutionalLSTMNetwork（选读）.pdf
| [11.9.1]–长短期记忆网络.mp4
|
+—{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
| (12.1.1)–突破知识型教学走向实践.pdf
| (12.1.2)–数据分析类课程的技能培养方法探讨.pdf
| (12.1.3)–基于项目实践的机器学习课程改革.pdf
| [12.1.1]–实践驱动的机器学习教学.mp4
|
+—{1}–第一单元机器学习概论
| +—{1}–机器学习简介
| | (1.1.1)–机器学习简介.pdf
| | [1.1.1]–机器学习的初步认识.mp4
| |
| +—{2}–机器学习过程
| | [1.2.1]–机器学习过程.mp4
| |
| +—{3}–机器学习常用算法（1）
| | (1.3.1)–机器学习算法地图.pdf
| | [1.3.1]–机器学习常用算法.mp4
| |
| +—{4}–机器学习常用算法（2）
| | [1.4.1]–机器学习常用算法（2）.mp4
| |
| +—{5}–机器学习常见问题
| | [1.5.1]–机器学习常见问题（1）.mp4
| |
| +—{6}–从事机器学习的准备
| | [1.6.1]–从事机器学习的准备.mp4
| |
| \—{7}–机器学习的常用应用领域
| [1.7.1]–机器学习常用领域.mp4
|
+—{2}–第二单元分类算法
| +—{10}–贝叶斯网络模型算法
| | (2.10.1)–贝叶斯网络.pdf
| | [2.10.1]–贝叶斯网络模型.mp4
| |
| +—{11}–贝叶斯网络的应用
| | (2.11.1)–贝叶斯网络的应用研究（选读）.pdf
| | [2.11.1]–贝叶斯网络的应用.mp4
| |
| +—{12}–主分量分析和奇异值分解
| | (2.12.1)–主分量分析.pdf
| | [2.12.1]–主分量分析和奇异值分解.mp4
| |
| +—{13}–判别分析
| | [2.13.1]–判别分析基础.mp4
| |
| +—{1}–决策树概述
| | (2.1.1)–分类与决策树.pdf
| | [2.1.1]–决策树算法.mp4
| |
| +—{2}–ID3算法
| | [2.2.1]–ID3算法.mp4
| |
| +—{3}–C4.5算法和CART算法
| | (2.3.1)–决策树应用研究（选读）.pdf
| | [2.3.1]–C4.5算法和CART算法.mp4
| |
| +—{4}–连续属性离散化、过拟合问题
| | [2.4.1]–连续属性离散化、过拟合问题和分类效果评价.mp4
| |
| +—{5}–集成学习
| | (2.5.1)–集成学习应用研究（选读）.pdf
| | (2.5.2)–GBDT等算法的补充.pdf
| | [2.5.1]–集成学习常用算法.mp4
| | [2.5.2]–GBDT梯度提升树算法.mp4
| |
| +—{6}–支持向量机基本概念
| | (2.6.1)–支持向量机.pdf
| | [2.6.1]–支持向量机简介.mp4
| |
| +—{7}–支持向量机原理
| | [2.7.1]–支持向量机原理.mp4
| |
| +—{8}–支持向量机的应用
| | (2.8.1)–支持向量机应用研究（选读）.pdf
| | [2.8.1]–支持向量机的应用.mp4
| |
| \—{9}–朴素贝叶斯模型
| (2.9.1)–贝叶斯分类器用于识别用户情感.pdf
| [2.9.1]–贝叶斯网络简介.mp4
|
+—{3}–第三单元神经网络基础
| +—{1}–神经网络简介
| | (3.1.1)–神经网络基础.pdf
| | [3.1.1]–神经网络简介.mp4
| |
| +—{2}–神经网络相关概念
| | [3.2.1]–神经网络相关概念.mp4
| |
| +—{3}–BP神经网络算法（1）
| | [3.3.1]–BP神经网络算法（1）.mp4
| |
| +—{4}–BP神经网络算法（2）
| | [3.4.1]–BP神经网络算法（2）.mp4
| |
| \—{5}–神经网络的应用
| (3.5.1)–imagerestorationalgorithmsbasedo.pdf
| [3.5.1]–神经网络的应用.mp4
|
+—{4}–第四单元聚类分析
| +—{1}–聚类分析的概念
| | (4.1.1)–聚类分析.pdf
| | [4.1.1]–聚类分析的概念.mp4
| |
| +—{2}–聚类分析的度量
| | [4.2.1]–聚类分析的度量.mp4
| |
| +—{3}–基于划分的方法（1）
| | (4.3.1)–聚类的个性化学习应用（选读）.pdf
| | [4.3.1]–基于划分的方法（1）.mp4
| |
| +—{4}–基于划分的方法（2）
| | [4.4.1]–基于划分的方法（2）.mp4
| |
| +—{5}–基于密度聚类和基于层次聚类
| | (4.5.1)–聚类的社交网络应用（选读）.pdf
| | (4.5.2)–Clusteringgeolocateddataforoutli.pdf
| | [4.5.1]–基于密度聚类和基于层次聚类.mp4
| |
| +—{6}–基于模型的聚类
| | [4.6.1]–基于模型的聚类.mp4
| |
| \—{7}–EM算法
| [4.7.1]–EM聚类算法.mp4
|
+—{5}–第五单元可视化分析
| +—{1}–可视化分析基础
| | (5.1.1)–可视化基础.pdf
| | [5.1.1]–可视化分析基础.mp4
| |
| +—{2}–可视化分析方法
| | (5.2.1)–可视化的应用（选读）.pdf
| | [5.2.1]–可视化分析方法.mp4
| |
| \—{3}–在线教学的数据分析案例
| [5.3.1]–在线教学的数据分析.mp4
|
+—{6}–第六单元关联分析
| +—{1}–关联分析基本概念
| | (6.1.1)–关联分析.pdf
| | [6.1.1]–关联分析基本概念.mp4
| |
| +—{2}–Apriori算法
| | (6.2.1)–关联分析在服装缺陷检测中的应用（选读）.pdf
| | [6.2.1]–Apriori算法.mp4
| |
| \—{3}–关联规则应用
| (6.3.1)–关联算法在化妆品推荐中的应用（选读）.pdf
| [6.3.1]–关联规则应用.mp4
|
+—{7}–第七单元回归分析
| +—{1}–回归分析基础
| | (7.1.1)–回归分析.pdf
| | [7.1.1]–回归分析基础.mp4
| |
| +—{2}–线性回归分析
| | (7.2.1)–ALinearRegressionApproachtoRecom.pdf
| | [7.2.1]–线性回归分析.mp4
| |
| \—{3}–非线性回归分析
| ts_downloads.txt
|
+—{8}–第八单元文本分析
| +—{1}–文本分析简介
| | (8.1.1)–文本分析基础.pdf
| | [8.1.1]–文本分析简介.mp4
| |
| +—{2}–文本分析基本概念
| | (8.2.1)–Morethanwords-Socialnetworks’tex.pdf
| | [8.2.1]–文本分析基本概念.mp4
| |
| +—{3}–语言模型、向量空间模型
| | [8.3.1]–语言模型、向量空间模型.mp4
| |
| +—{4}–词法、分词、句法分析
| | [8.4.1]–词法、分词、句法分析.mp4
| |
| +—{5}–语义分析
| | [8.5.1]–语义分析.mp4
| |
| +—{6}–文本分析应用
| | (8.6.1)–文本分析应用案例（选读）.pdf
| | (8.6.2)–Usingtextminingandsentimentanaly.pdf
| | [8.6.1]–文本分析应用.mp4
| |
| +—{7}–知识图谱简介
| | (8.7.1)–知识图谱.pdf
| | [8.7.1]–知识图谱概念.mp4
| |
| +—{8}–知识图谱技术
| | [8.8.1]–知识图谱技术.mp4
| |
| \—{9}–知识图谱构建和应用
| [8.9.1]–知识图谱构建和应用.mp4
|
\—{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
| (9.1.1)–分布式机器学习.pdf
| [9.1.1]–分布式机器学习基础.mp4
|
+—{2}–分布式机器学习框架
| [9.2.1]–分布式机器学习框架.mp4
|
+—{3}–并行决策树
| [9.3.1]–并行决策树.mp4
|
+—{4}–并行k-均值算法
| [9.4.1]–并行k-均值算法.mp4
|
+—{5}–并行多元线性回归模型
| [9.5.1]–并行多元线性回归模型.mp4
|
+—{6}–遗传算法基础
| (9.6.1)–遗传算法.pdf
| [9.6.1]–遗传算法基础.mp4
|
+—{7}–遗传算法的过程
| [9.7.1]–遗传算法的过程.mp4
|
+—{8}–遗传算法的应用
| (9.8.1)–Usegeneticalgorithmtoimproveoils.pdf
| [9.8.1]–遗传算法的应用.mp4
|
\—{9}–蜂群算法
[9.9.1]–蜂群算法.mp4
下载地址：
感谢您的来访，获取更多精彩文章请收藏本站。
