机器学习是指一套工具、方法或程式，使到我们可以从现实世界的海量数据里提炼出有价值的知识，规则和模式，然后将它们反哺给前台应用系统，进行预测，推荐等能产生直接经济价值的场景，给用户带来“机器具备人类般高智能”的震撼性体验。对于数据越来越多，而人力成本又越来越高的大数据时代，机器学习能降低企业进行数据分析的成本，掌控有关技术，可以给企业和个人带来巨大的价值。
机器学习，人工智能，数据挖掘，模式识别等技术，其实是同一座山峰在不同视角下的侧影，其技术内涵几乎是一样的，都是回归，分类器，聚类，频繁模式挖掘，神经网络等等，我们学习机器识别的同时，学到的知识同样也可以用于数据挖掘和设计机器人这样高度智能化的产品，这些领域概念之间至少在技术上没有界限，是互相渗透的。
第1部份 机器学习概论
第2部份 线性回归与Logistic。案例：电子商务业绩预测
第3部份 岭回归，Lasso，变量选择技术。从一团乱麻中识别有用维度的技巧
第4部份 降维技术。案例：业绩综合指标设计
第5部份 线性分类器，Knn算法，朴素贝叶斯分类器，文本挖掘，案例：智能判断垃圾短信，通过文本挖掘给用户加标签，评论自动分析，用户流失预警
第6部份 决策树，组合提升算法，bagging和adaboost，随机森林。案例：运营商用户分析
第7部份 支持向量机，为什么能理解SVM的人凤毛麟角？
第8部份 人工神经网络，单层感知器，线性神经网络，BP神经网络，基于梯度下降的学习算法，图像压缩和银行用户信用评估
第9部份 通用逼近器径向基函数神经网络，在新观点下审视PDA和SVM。Hopfield联想记忆型神经网络。案例：字符识别，人脸识别
第10部份 概率神经网络和信念贝叶斯分类器
第11部份 聚类，孤立点判别。案例：推荐系统，自动品酒器，作弊识别，社会系统团体识别
|
合作伙伴与授权机构
shuhaipeixun
1299983702
总部李老师
