我正在中国大学MOOC开设《商务数据分析(机器学习)》，推荐给大家！可以报名浏览

https://www.icourse163.org/course/FUDAN-1205806833

这次补充一些高级算法

欢迎各位老师推荐学生选修，提出宝贵意见

课程大纲

‍‍‍‍

第一单元 机器学习概论

介绍机器学习的发展、主要算法或方法及其主要应用领域，还涉及从事机器学习的准备工作。
1.1 机器学习应用
1.2 机器学习过程
1.3 机器学习常见问题
1.4 从事机器学习的准备
第二单元 决策树与分类算法

介绍常用的决策树算法ID3、C4.5、CART等、集成算法随机森林、梯度提升树和决策树的过拟合、连续属性离散化等问题；支持向量机的原理、应用；朴素贝叶斯模型、贝叶斯网络原理以及应用；判别分析和主分量分析等。
2.1 决策树算法
2.2 ID3算法
2.3 C4.5算法和CART算法
2.4 连续属性离散化、过拟合问题
2.5 集成学习
2.6 梯度提升树GBDT算法
2.7 PCA和SVD
2.8 支持向量机基本概念
2.9 支持向量机原理
2.10 支持向量机的应用
2.11 朴素贝叶斯模型
2.12 贝叶斯网络模型
2.13 贝叶斯网络的应用

2.14 判别分析
第三单元 神经网络基础

介绍前馈神经网络的基本概念、结构、梯度下降法以及常用应用等。
3.1 神经网络简介
3.2 神经网络相关概念
3.3 前馈神经网络算法
3.4 神经网络的应用
第四单元 聚类分析

介绍聚类的基本概念、常用的几种聚类算法，包括基于划分的聚类、基于密度的聚类、基于层次的聚类以及基于模型的聚类、EM算法等。
4.1 聚类分析的概念
4.2 聚类分析的度量
4.3 基于划分的聚类
4.4 基于密度聚类和基于层次聚类
4.5 基于模型的聚类
4.6 EM算法
第五单元 可视化分析

介绍可视化分析的基本作用、方法以及典型的教育数据分析应用。
5.1 可视化分析基础
5.2 可视化分析方法
5.3 在线教学数据分析
第六单元 关联分析

介绍关联分析的基本概念、典型的关联分析算法，包括Apriori算法以及典型应用。
6.1 关联分析基本概念
6.2 Apriori算法
6.3 关联规则应用
第七单元 回归分析

介绍回归分析的基本概念、分析过程以及线性回归、非线性回归及其典型应用。
7.1 回归分析基础
7.2 线性回归分析
7.3 非线性回归分析
第八单元 文本分析

介绍文本分析的基本概念、语言模型、词法句法和语义分析，以及知识图谱的基本概念、技术及其典型应用。
8.1 文本分析简介
8.2 文本分析基本概念
8.3 语言模型、向量空间模型
8.4 词法、分词、句法分析
8.5 语义分析
8.6 文本分析应用
8.7 知识图谱简介
8.8 知识图谱技术
8.9 知识图谱构建和应用
第九单元 分布式机器学习、进化计算

介绍分布式机器学习的基本原理、学习框架，决策树、k-均值聚类、多元线性回归的并行版本；遗传算法的基本概念、原理以及应用；蜂群算法的基本原理以及应用。
9.1 分布式机器学习基础
9.2 分布式机器学习框架
9.3 并行决策树
9.4 并行k-均值算法
9.5 并行多元线性回归模型
9.6 遗传算法基础
9.7 遗传算法的过程
9.8 遗传算法的应用
9.9 蜂群算法
第十单元 电子推荐系统

介绍电子推荐系统的基本概念、作用、结构、常用的电子推荐方法、电子推荐算法的评估指标和方法以及电子推荐的典型应用。
10.1 推荐系统基础
10.2 推荐系统结构
10.3 基于人口统计学的推荐、基于内容的推荐
10.4 基于协同过滤的推荐算法
10.5 基于图、PageRank、关联规则的推荐
10.6 其他推荐方法
10.7 推荐结果的评测方法
10.8 推荐结果的评测指标
10.9 推荐系统常见问题
第十一单元 深度学习

介绍深度学习的基本概念、卷积神经网络、循环神经网络、长短期记忆LSTM等典型算法及其在股票预测中的应用；生成对抗网络、强化学习、迁移学习、对偶学习等。
11.1 卷积基本概念
11.2 LeNet框架
11.3 卷积基本单元
11.4 卷积神经网络训练
11.5 基于卷积的股票预测
11.6 卷积神经网络的高级应用
11.7 循环神经网络RNN基础
11.8 循环神经网络的训练和示例
11.9 长短期记忆网络LSTM
11.10 基于LSTM的股票预测
11.11 生成对抗网络
11.12 强化学习
11.13 迁移学习

11.14 对偶学习
第十二单元 面向实践的机器学习课程研讨

讨论如何结合实践，在奠定基础理论的基础上，培养机器学习的应用技能。
课程学习方法研讨