[大数据/人工智能] 机器学习与数据挖掘（人工智能方向的必经之路）课程

mind

资源来自网络分享，侵权请告知删除。
免费容易导致链接很快失效，
如失效，请联系管理

机器学习与数据挖掘（人工智能方向的必经之路）课程



机器学习分析中可以使用的语言有java、python和Scala，对于Java语言进行大数据开发使用的是mahout，这种方式已经过时，使用python中的scikit-learn库和使用Scala-Spark中的Mllib库进行机器学习开发是目前常用的手段，本课程以上两种方式都会涉及，通过学习MLlib和sklearn，大家不仅将会了解MLlib和sklearn组件及其调用，而且会通过一系列的案例和项目深入了解他们的现实使用。

在本课程中我将带领大家学习数据挖掘中常用的一些算法，线性回归、贝叶斯算法、KNN算法、KMeans算法、KMeans++算法、TF-IDF算法、逻辑回归算法、决策树算法、随机森林算法、推荐系统思想、TextRank算法等，通过本课程学习，大家可以掌握使用机器学习解决现实中的数据价值问题。可以在海量数据中挖掘出潜在的价值。同样，本课程也是同学们未来伸入人工智能方向的“必经之路”，为后期在企业或者在未来的学习中打下坚实的基础。



1-机器学习介绍、原理及应用场景
2-线性回归算法的原理及参数优化方案
3-基于SparkMLlib训练回归算法模型
4-逻辑回归算法的原理及算法公式推导
5-KNN识别手写数字与KMeans聚类算法原理
6-KNN手写数字识别及KMeans算法原理
7-手写KMeans聚类算法及实现精准微博营销案例
8-分析KMeans精准营销案例代码及KMeans在推荐系统的应用
9-逻辑回归算法原理及公式推导
10-逻辑回归算法原理及公式推导
11-逻辑回归算法及实现百度路况预测功能
12-百度地图实时路况及路况预测
13-决策树算法的原理
14-随机森林算法与算法总结
15-推荐系统的来龙去脉与推荐架构
16-推荐系统架构设计及构建推荐系统训练集
17-推荐系统代码实现及测试
18-实现推荐系统在线推荐微服务
19-基于节目的推荐系统，架构剖析，数据迁移
20-提取节目的关键词，构建节目画像
21-基于TextRank算法+TF-IDF算法提取关键词
22-构建节目画像与用户画像
23-构建用户画像及性能调优
24-基于节目画像计算节目的相似度
25-Spark调优总结及word2vec算法原理
26-基于物品画像计算相似度
27-实现基于模型的召回策略
28-构建特征中心及模型召回实现
29-训练排序模型及搭建推荐系统微服务
30-推荐系统项目-大总结
资料





下载地址：
链接: https://pan.baidu.com/s/1hJPhr4rfsKNw2457ncTgOw

获取提取码：

试读已结束，请付费阅读全文。

￥ 5.00付费阅读

登录后可特价购买

  本文只能试读94%,付费后可阅读全文。