【复旦大学】机器学习 #商务数据分析 -赵卫东教授
转载于 https://www.icourse163.org/course/FUDAN-1205806833
本课程主要介绍深度学习的基本原理、卷积神经网络、循环神经网络、生成对抗网络等基本方法及其典型应用领域，并借助机器学习开源平台TensorFlow实现深度学习在证券趋势预测、声音质量评价、电子推荐、目标检测、社交网络情感分析等多个典型领域的应用。
—— 课程团队
视频选集
（27/85）
[1.1.1]--机器学习的初步认识
25:28
[1.2.1]--机器学习过程
18:01
[1.3.1]--机器学习常用算法
30:01
[1.4.1]--机器学习常用算法（2）
25:26
[1.5.1]--机器学习常见问题（1）
23:12
[1.6.1]--从事机器学习的准备
16:47
[1.7.1]--机器学习常用领域
22:29
[2.1.1]--决策树算法
22:18
[2.2.1]--ID3算法
35:35
[2.3.1]--C4.5算法和CART算法
19:32
[2.4.1]--连续属性离散化、过拟合问题和分类效果评价
35:32
[2.5.1]--集成学习常用算法
19:27
[2.5.2]--GBDT梯度提升树算法
15:23
[2.6.1]--支持向量机简介
21:21
[2.7.1]--支持向量机原理
31:23
[2.8.1]--支持向量机的应用
29:54
[2.9.1]--贝叶斯网络简介
34:02
[2.10.1]--贝叶斯网络模型
23:54
[2.11.1]--贝叶斯网络的应用
25:11
[2.12.1]--主分量分析和奇异值分解
19:28
[2.13.1]--判别分析基础
22:15
[3.1.1]--神经网络简介
18:08
[3.2.1]--神经网络相关概念
35:47
[3.3.1]--BP神经网络算法（1）
22:10
[3.4.1]--BP神经网络算法（2）
24:14
[3.5.1]--神经网络的应用
13:46
[4.1.1]--聚类分析的概念
12:52
[4.2.1]--聚类分析的度量
23:30
[4.3.1]--基于划分的方法（1）
23:38
[4.4.1]--基于划分的方法（2）
17:53
[4.5.1]--基于密度聚类和基于层次聚类
25:51
[4.6.1]--基于模型的聚类
23:35
[4.7.1]--EM聚类算法
13:05
[5.1.1]--可视化分析基础
17:59
[5.2.1]--可视化分析方法
27:01
[5.3.1]--在线教学的数据分析
43:37
[6.1.1]--关联分析基本概念
32:12
[6.2.1]--Apriori算法
26:48
[6.3.1]--关联规则应用
21:46
[7.1.1]--回归分析基础
31:37
[7.2.1]--线性回归分析
34:06
[8.1.1]--文本分析简介
17:25
[8.2.1]--文本分析基本概念
31:25
[8.3.1]--语言模型、向量空间模型
25:00
[8.4.1]--词法、分词、句法分析
26:00
[8.5.1]--语义分析
08:21
[8.6.1]--文本分析应用
29:43
[8.7.1]--知识图谱概念
27:37
[8.8.1]--知识图谱技术
26:53
[8.9.1]--知识图谱构建和应用
18:36
[9.1.1]--分布式机器学习基础
23:54
[9.2.1]--分布式机器学习框架
14:55
[9.3.1]--并行决策树
12:25
[9.4.1]--并行k-均值算法
15:53
[9.5.1]--并行多元线性回归模型
15:21
[9.6.1]--遗传算法基础
28:57
[9.7.1]--遗传算法的过程
19:01
[9.8.1]--遗传算法的应用
21:29
[9.9.1]--蜂群算法
27:52
[10.1.1]--推荐系统基础
31:44
[10.2.1]--推荐系统结构
07:24
[10.3.1]--基于人口统计学的推荐、基于内容的推荐
15:14
[10.4.1]--基于协同过滤的推荐算法
17:37
[10.5.1]--基于图的模型、基于PageRank的推荐、基于关联规则的推荐
17:15
[10.6.1]--其他推荐方法
14:12
[10.7.1]--推荐结果的评测方法
07:35
[10.8.1]--推荐结果的评测指标
34:33
[10.9.1]--推荐系统常见问题
12:39
[11.1.1]--卷积基本概念
25:23
[11.2.1]--LeNet框架（1）
19:54
[11.3.1]--LeNet框架（2）
19:03
[11.4.1]--卷积基本单元
17:51
[11.5.1]--卷积神经网络训练
13:52
[11.6.1]--基于卷积的股票预测
23:18
[11.7.1]--循环神经网络基础
25:56
[11.8.1]--循环神经网络的训练和示例
35:45
[11.9.1]--长短期记忆网络
17:01
[11.10.1]--基于LSTM的股票预测
28:29
[11.11.1]--目标检测
19:33
[11.12.1]--目标检测算法
23:17
[11.13.1]--加强学习简介
21:13
[11.14.1]--生成对抗网络基础
33:37
[11.15.1]--迁移学习基础
23:43
[11.16.1]--对偶学习基础
24:15
[12.1.1]--实践驱动的机器学习教学
21:45
顶部