課程簡介
目標收益
培訓對象
課程大綱
|
第一單元 機器學習&經(jīng)典模型 該單元介紹機器學習基本概念，發(fā)展史和經(jīng)典模型解析及其應用。 |
1、機器學習簡介 （1）什么是機器學習 （2）機器學習應用場景 （3）機器學習發(fā)展歷史； （4）機器學習與大數(shù)據(jù)； （5）機器學習的本質(zhì) 2、機器學習模型及其應用實踐 （1）SVM模型； （2）LR模型 （3）決策樹模型 （4）Word2Vec模型 （5）貝葉斯模型 |
|
第二單元 大數(shù)據(jù)與2%的世界 該單元首先詳細介紹了“大數(shù)據(jù)”如何作為一種手段讓機器變得更加智能，從而更好服務用戶，提升商業(yè)價值。 |
1、什么是大數(shù)據(jù) 2、大數(shù)據(jù)發(fā)展歷程 3、大數(shù)據(jù)的應用場景 （1）傳統(tǒng)場景 （2）京東vs.蘇寧 （3）成功案例 4、大數(shù)據(jù)的變現(xiàn)實例 （1）圖書電商評論排序/跟帖排序 （2）精準關(guān)聯(lián)廣告 （3）個性化推薦case 6、大數(shù)據(jù)處理工具：云計算 7、大數(shù)據(jù)發(fā)展方向 |
|
第三單元 層次分類 該單元詳細解釋了分類算法，重要擴充了文本分類領(lǐng)域top級別的的重排序算法。 |
1、傳統(tǒng)（層次）分類算法 2、重排序算法 （1）假設(shè)結(jié)果生產(chǎn) （2）最優(yōu)結(jié)果選擇 （3）正負樣本構(gòu)建 （4）重排序模型的效果及性能 3、局部漸增式排序模型 |
|
第四單元 CTR預估 |
根據(jù)不同場景的用戶行為，挖掘潛在有價值點擊率（CTR）信息。 |
|
第五單元 新聞個性化推薦 根據(jù)文本挖掘算法，給出了新聞的個性化推薦架構(gòu)，用戶畫像等核心技術(shù)點。 |
1、 分詞改進 2、 關(guān)鍵詞提取優(yōu)化 3、 深度學習訓練語義空間 4、 語義聚類 5、 語義層次聚類 6、 用戶畫像刻畫 7、 個性化推薦 |
|
第一單元 機器學習&經(jīng)典模型 該單元介紹機器學習基本概念，發(fā)展史和經(jīng)典模型解析及其應用。 1、機器學習簡介 （1）什么是機器學習 （2）機器學習應用場景 （3）機器學習發(fā)展歷史； （4）機器學習與大數(shù)據(jù)； （5）機器學習的本質(zhì) 2、機器學習模型及其應用實踐 （1）SVM模型； （2）LR模型 （3）決策樹模型 （4）Word2Vec模型 （5）貝葉斯模型 |
|
第二單元 大數(shù)據(jù)與2%的世界 該單元首先詳細介紹了“大數(shù)據(jù)”如何作為一種手段讓機器變得更加智能，從而更好服務用戶，提升商業(yè)價值。 1、什么是大數(shù)據(jù) 2、大數(shù)據(jù)發(fā)展歷程 3、大數(shù)據(jù)的應用場景 （1）傳統(tǒng)場景 （2）京東vs.蘇寧 （3）成功案例 4、大數(shù)據(jù)的變現(xiàn)實例 （1）圖書電商評論排序/跟帖排序 （2）精準關(guān)聯(lián)廣告 （3）個性化推薦case 6、大數(shù)據(jù)處理工具：云計算 7、大數(shù)據(jù)發(fā)展方向 |
|
第三單元 層次分類 該單元詳細解釋了分類算法，重要擴充了文本分類領(lǐng)域top級別的的重排序算法。 1、傳統(tǒng)（層次）分類算法 2、重排序算法 （1）假設(shè)結(jié)果生產(chǎn) （2）最優(yōu)結(jié)果選擇 （3）正負樣本構(gòu)建 （4）重排序模型的效果及性能 3、局部漸增式排序模型 |
|
第四單元 CTR預估 根據(jù)不同場景的用戶行為，挖掘潛在有價值點擊率（CTR）信息。 |
|
第五單元 新聞個性化推薦 根據(jù)文本挖掘算法，給出了新聞的個性化推薦架構(gòu)，用戶畫像等核心技術(shù)點。 1、 分詞改進 2、 關(guān)鍵詞提取優(yōu)化 3、 深度學習訓練語義空間 4、 語義聚類 5、 語義層次聚類 6、 用戶畫像刻畫 7、 個性化推薦 |
近期公開課推薦
