推荐星级：商务数据分析教程资源简介：
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