《大數(shù)據(jù)的機器學習和深度學習》

《基于大數(shù)據(jù)的機器學習和深度學習》
——原理與實踐
目錄
1  背景

 1.1 從 AlphaGo 說起 5  \l "bookmark6" 1.1.1 AlphaGo 的效果5  \l "bookmark8" 1.1.2 AlphaGo 的原理5  \l "bookmark10" 1.2 機器學習基礎5  \l "bookmark12" 1.2.1 機器學習的歷史5  \l "bookmark14" 1.2.2 機器學習概念 5  \l "bookmark16" 1.2.3 機器學習與數(shù)據(jù)挖掘5  \l "bookmark18" 1.3  深度學習基礎5  \l "bookmark20" 1.3.1 深度學習的概念和特點5  \l "bookmark22" 1.3.2 深度學習的意義5  \l "bookmark24" 1.3.3 深度學習的應用領域5  \l "bookmark26" 1.4 應用與技術的平衡5  \l "bookmark28" 1.4.1  數(shù)據(jù)驅動還是應用驅動？ 5  \l "bookmark30" 1.4.2 應用價值的顯現(xiàn)化 5  \l "bookmark32" 1.4.3 對內服務和對外服務6  \l "bookmark34" 1.5 GPU 的引出6  \l "bookmark36" 1.5.1 計算的硬件基礎6  \l "bookmark38" 1.5.2  與 CPU 的對比6  \l "bookmark40" 1.5.3  與 FPGA 的對比6  \l "bookmark42" 1.5.4 GPU 的示例 6  \l "bookmark44" 1.6  建設應用的生態(tài)圈6  \l "bookmark46" 1.6.1  為什么要建生態(tài)圈 6  \l "bookmark48" 1.6.2  生態(tài)圈的構建方法 6  \l "bookmark50" 2  大數(shù)據(jù)應用開發(fā)方法6  \l "bookmark52" 2.1  深度學習的方法論有何異同？6  \l "bookmark54" 2.2 CRISP-DM（CRoss-Industry Standard Process for Data Mining）方法論6  \l "bookmark56" 2.3  業(yè)務理解 （Business Understanding） 6  \l "bookmark58" 2.4  數(shù)據(jù)理解 （Data Understanding） 6  \l "bookmark60" 2.5  數(shù)據(jù)準備 （Data Preparation） 6  \l "bookmark62" 2.6  建模（Modeling） 7  \l "bookmark64" 2.7 評估（Evaluation） 7  \l "bookmark66" 2.8 部署 （Deployment） 7  \l "bookmark68" 2.9  數(shù)據(jù)挖掘之外的方法論7  \l "bookmark70" 3 機器學習基礎7  \l "bookmark72" 3.1  多維分析方法7  \l "bookmark74" 3.1.1 OLAP 分析7  \l "bookmark76" 3.1.2  上鉆和下鉆7  \l "bookmark78" 3.1.3  用 OLAP 分析問題7  \l "bookmark80" 3.2 分析算法 7  \l "bookmark82" 3.2.1  回歸算法7  \l "bookmark84" 3.2.2  決策樹算法7  \l "bookmark86" 3.2.3  貝葉斯算法8  \l "bookmark88" 3.2.4 基于核的算法 8  \l "bookmark90" 3.2.5 聚類算法8  \l "bookmark92" 3.2.6  關聯(lián)規(guī)則算法 8  \l "bookmark94" 3.2.7  降低維度算法 8  \l "bookmark96" 3.2.8  集成算法9  \l "bookmark98" 3.3 機器學習方法在電信行業(yè)應用舉例9  \l "bookmark100" 4 深度學習基礎9  \l "bookmark102" 4.1 神經(jīng)網(wǎng)絡算法的演進歷史9  \l "bookmark104" 4.1.1 傳統(tǒng)的神經(jīng)網(wǎng)絡算法9  \l "bookmark106" 4.1.2 神經(jīng)網(wǎng)絡算法的特點9  \l "bookmark108" 4.1.3 神經(jīng)網(wǎng)絡算法的瓶頸點9  \l "bookmark110" 4.2 神經(jīng)網(wǎng)絡的算法原理 9  \l "bookmark112" 4.2.1 神經(jīng)元的原理 9  \l "bookmark114" 4.2.2 神經(jīng)網(wǎng)絡的原理9  \l "bookmark116" 4.2.3 神經(jīng)網(wǎng)絡的 BP 算法 9  \l "bookmark118" 4.3  多層神經(jīng)網(wǎng)絡算法9  \l "bookmark120" 4.3.1  單層神經(jīng)網(wǎng)絡 9  \l "bookmark122" 4.3.2  兩層神經(jīng)網(wǎng)絡  10  \l "bookmark124" 4.3.3  多層神經(jīng)網(wǎng)絡——深度學習 10  \l "bookmark126" 4.4 深度學習算法 10  \l "bookmark128" 4.4.1 卷積神經(jīng)網(wǎng)絡 CNN 10  \l "bookmark130" 4.4.2 循環(huán)神經(jīng)網(wǎng)絡 RNN 10  \l "bookmark132" 4.4.3  深度神經(jīng)網(wǎng)絡 DNN  10  \l "bookmark134" 4.5 深度學習的應用案例  10  \l "bookmark136" 4.5.1 深度學習用于圖像識別 10  \l "bookmark138" 4.5.2 深度學習用于語音識別 10  \l "bookmark140" 4.5.3 深度學習用于語言翻譯 10  \l "bookmark142" 5 TensorFlow 等框架 10  \l "bookmark144" 5.1 人工智能的學習框架  10  \l "bookmark146" 5.1.1  開源的概念 10  \l "bookmark148" 5.1.2  學習框架的歷程 10  \l "bookmark150" 5.1.3 caffe 等學習框架介紹  10  \l "bookmark152" 5.2 TensorFlow 框架內容 11  \l "bookmark154" 5.2.1  編程模型簡介  11  \l "bookmark156" 5.2.2  自編碼器介紹  11  \l "bookmark158" 5.2.3  多層感知機介紹 11  \l "bookmark160" 5.3 TensorFlow 支持的算法 11  \l "bookmark162" 5.3.1  支持卷積神經(jīng)網(wǎng)絡算法 11  \l "bookmark164" 5.3.2  支持循環(huán)神經(jīng)網(wǎng)絡算法 11  \l "bookmark166" 5.3.3  支持深度強化學習算法 11  \l "bookmark168" 5.4 TensorFlow 的應用案例 11  \l "bookmark170" 5.4.1 Python 語言的編程 11  \l "bookmark172" 5.4.2 Python 實現(xiàn) TensorFlow  11  \l "bookmark174" 5.4.3  具體的案例 11  \l "bookmark176" 6  大數(shù)據(jù)機器學習過程 11  \l "bookmark178" 6.1  需求的收集、整理 11  \l "bookmark180" 6.1.1  需求的收集方  11  \l "bookmark182" 6.1.2  需求的表述方法 12  \l "bookmark184" 6.2  數(shù)據(jù)的收集 12  \l "bookmark186" 6.2.1  能收集哪些數(shù)據(jù) 12  \l "bookmark188" 6.2.2  數(shù)據(jù)的維度 12  \l "bookmark190" 6.2.3  數(shù)據(jù)的質量 12  \l "bookmark192" 6.2.4  數(shù)據(jù)的管理 12  \l "bookmark194" 6.3 分析方法的選擇  12  \l "bookmark196" 6.3.1 統(tǒng)計分析方法  12  \l "bookmark198" 6.3.2 機器學習方法  12  \l "bookmark200" 6.4 應用開發(fā)原型 12  \l "bookmark202" 6.4.1  原型系統(tǒng)的開發(fā) 12  \l "bookmark204" 6.4.2  原型系統(tǒng)的評估 12  \l "bookmark206" 6.5 應用的上線 12  \l "bookmark208" 6.5.1 誰負責使用 12  \l "bookmark210" 6.5.2 誰負責驗收 12  \l "bookmark212" 6.6 快速迭代開發(fā) 12  \l "bookmark214" 6.6.1  如何快速迭代  13  \l "bookmark216" 6.6.2  迭代后的上線  13  \l "bookmark218" 6.7  上線后評估 13  \l "bookmark220" 6.7.1  客戶滿意度 13  \l "bookmark222" 6.7.2 效率提升 13  \l "bookmark224" 6.7.3 效益評估等 13  \l "bookmark226" 6.8 效益的評估方法  13  \l "bookmark228" 6.8.1  經(jīng)濟效益 13  \l "bookmark230" 6.8.2 社會效益 13  \l "bookmark232" 6.8.3  管理效益等 13  \l "bookmark234" 7  大數(shù)據(jù)機器學習案例 13  \l "bookmark236" 7.1 【案例 1】客戶離網(wǎng)分析案例 13  \l "bookmark238" 7.2 【案例 2】外來工群體細分及營銷 13  \l "bookmark240" 7.3 【案例 3】人工智能用于網(wǎng)絡分析的案例 13  \l "bookmark242" 7.4 【案例 4】深度學習應用于客戶服務系統(tǒng)案例 13  \l "bookmark244" 8 【附】大數(shù)據(jù)機器學習應用的方法論——互聯(lián)網(wǎng)思維  14  \l "bookmark246" 8.1  互聯(lián)網(wǎng)思維概述  14  \l "bookmark248" 8.2  用戶思維  14  \l "bookmark250" 8.2.1  用戶是誰 14  \l "bookmark252" 8.2.2  用戶需要什么？ 14  \l "bookmark254" 8.3 極致思維  14  \l "bookmark256" 8.3.1 產(chǎn)品極致設計  14  \l "bookmark258" 8.3.2 服務的極致 14  \l "bookmark260" 8.4  簡約思維  14  \l "bookmark261" 8.4.1 產(chǎn)品的簡約 14  \l "bookmark262" 8.4.2  簡約的流程 14  \l "bookmark263" 8.5  迭代思維  14  \l "bookmark264" 8.5.1 產(chǎn)品的快速迭代 14  \l "bookmark265" 8.5.2  開發(fā)過程的快速迭代 14  \l "bookmark266" 8.6  流量思維  14  \l "bookmark267" 8.6.1  先有客戶再有錢 15  \l "bookmark268" 8.6.2 擴展客戶使用流量  15  \l "bookmark269" 8.7  平臺思維  15  \l "bookmark270" 8.7.1 APP store 的借鑒 15  \l "bookmark271" 8.7.2  生態(tài)圈的構筑  15  \l "bookmark272" 8.8 跨界思維  15  \l "bookmark273" 8.8.1  數(shù)據(jù)的跨界 15  \l "bookmark274" 8.8.2 應用的跨界 15  \l "bookmark275" 8.9  數(shù)據(jù)思維  15  \l "bookmark276" 8.9.1  收集數(shù)據(jù) 15  \l "bookmark277" 8.9.2 分析數(shù)據(jù) 15  \l "bookmark278" 8.10 社會化思維  15  \l "bookmark279" 8.10.1  影響社會  15  \l "bookmark280" 8.10.2 社會角度思考 15  \l "bookmark281" 8.11  互聯(lián)網(wǎng)思維在大數(shù)據(jù)系統(tǒng)中的落地  15  \l "bookmark282" 9  總結 161 背景
1.1 從 AlphaGo 說起
1.1.1 AlphaGo 的效果
1.1.2 AlphaGo 的原理
1.2 機器學習基礎
1.2.1 機器學習的歷史
1.2.2 機器學習概念
1.2.3 機器學習與數(shù)據(jù)挖掘
1.3 深度學習基礎
1.3.1 深度學習的概念和特點
1.3.2 深度學習的意義
1.3.3 深度學習的應用領域
1.4 應用與技術的平衡
1.4.1 數(shù)據(jù)驅動還是應用驅動？
1.4.2 應用價值的顯現(xiàn)化
1.4.3 對內服務和對外服務
1.5 GPU 的引出
1.5.1 計算的硬件基礎
1.5.2 與 CPU 的對比
1.5.3 與 FPGA 的對比
1.5.4 GPU 的示例
1.6 建設應用的生態(tài)圈
1.6.1 為什么要建生態(tài)圈
1.6.2 生態(tài)圈的構建方法
2 大數(shù)據(jù)應用開發(fā)方法
2.1 深度學習的方法論有何異同？
2.2 CRISP-DM （CRoss-Industry  Standard  Process  for  Data  Mining）方法論
2.3 業(yè)務理解  （Business Understanding）
2.4 數(shù)據(jù)理解  （Data Understanding）
2.5 數(shù)據(jù)準備  （Data Preparation）
2.6 建模（Modeling）
2.7 評估（Evaluation）
2.8 部署  （Deployment）
2.9 數(shù)據(jù)挖掘之外的方法論
3 機器學習基礎
3.1 多維分析方法
3.1.1 OLAP 分析
3.1.2 上鉆和下鉆
3.1.3 用 OLAP 分析問題
3.2 分析算法
3.2.1 回歸算法
線性回歸 邏輯回歸
3.2.2 決策樹算法
CART 算法
3.2.3 貝葉斯算法 樸素貝葉斯算法
BBN（Bayesian Belief Network）算法
3.2.4 基于核的算法
支持向量機 SVM 算法
線性判別分析(Linear Discriminate Analysis ，LDA)
3.2.5 聚類算法
K-MEANS 算法
期望最大化算法(Expectation Maximization，  ME)
3.2.6 關聯(lián)規(guī)則算法 Apriori 算法
3.2.7 降低維度算法
主成份分析(Principle Component Analysis，  PCA)算法
偏最小二乘回歸(Partial Least Square Regression，PLS)算法
3.2.8 集成算法
隨機森林算法 梯度推進機
3.3 機器學習方法在電信行業(yè)應用舉例
4 深度學習基礎
4.1 神經(jīng)網(wǎng)絡算法的演進歷史
4.1.1 傳統(tǒng)的神經(jīng)網(wǎng)絡算法
4.1.2 神經(jīng)網(wǎng)絡算法的特點
4.1.3 神經(jīng)網(wǎng)絡算法的瓶頸點
4.2 神經(jīng)網(wǎng)絡的算法原理
4.2.1 神經(jīng)元的原理
4.2.2 神經(jīng)網(wǎng)絡的原理
4.2.3 神經(jīng)網(wǎng)絡的 BP 算法
4.3 多層神經(jīng)網(wǎng)絡算法
4.3.1 單層神經(jīng)網(wǎng)絡
4.3.2 兩層神經(jīng)網(wǎng)絡
4.3.3 多層神經(jīng)網(wǎng)絡——深度學習
4.4 深度學習算法
4.4.1 卷積神經(jīng)網(wǎng)絡 CNN
4.4.2 循環(huán)神經(jīng)網(wǎng)絡 RNN
4.4.3 深度神經(jīng)網(wǎng)絡 DNN
4.5 深度學習的應用案例
4.5.1 深度學習用于圖像識別
4.5.2 深度學習用于語音識別
4.5.3 深度學習用于語言翻譯
5 TensorFlow 等框架
5.1 人工智能的學習框架
5.1.1 開源的概念
5.1.2 學習框架的歷程
5.1.3 caffe 等學習框架介紹
5.2 TensorFlow 框架內容
5.2.1 編程模型簡介
5.2.2 自編碼器介紹
5.2.3 多層感知機介紹
5.3 TensorFlow 支持的算法
5.3.1 支持卷積神經(jīng)網(wǎng)絡算法
5.3.2 支持循環(huán)神經(jīng)網(wǎng)絡算法
5.3.3 支持深度強化學習算法
5.4 TensorFlow 的應用案例
5.4.1 Python 語言的編程
5.4.2 Python 實現(xiàn) TensorFlow
5.4.3 具體的案例
6 大數(shù)據(jù)機器學習過程
6.1 需求的收集、整理
6.1.1 需求的收集方
6.1.2 需求的表述方法
6.2 數(shù)據(jù)的收集
6.2.1 能收集哪些數(shù)據(jù)
6.2.2 數(shù)據(jù)的維度
6.2.3 數(shù)據(jù)的質量
6.2.4 數(shù)據(jù)的管理
6.3 分析方法的選擇
6.3.1 統(tǒng)計分析方法
6.3.2 機器學習方法
6.4 應用開發(fā)原型
6.4.1 原型系統(tǒng)的開發(fā)
6.4.2 原型系統(tǒng)的評估
6.5 應用的上線
6.5.1 誰負責使用
6.5.2 誰負責驗收
6.6 快速迭代開發(fā)
6.6.1 如何快速迭代
6.6.2 迭代后的上線
6.7 上線后評估
6.7.1 客戶滿意度
6.7.2 效率提升
6.7.3 效益評估等
6.8 效益的評估方法
6.8.1 經(jīng)濟效益
6.8.2 社會效益
6.8.3 管理效益等
7 大數(shù)據(jù)機器學習案例
7.1 【案例 1】客戶離網(wǎng)分析案例
7.2 【案例 2】外來工群體細分及營銷
7.3 【案例 3】人工智能用于網(wǎng)絡分析的案例
7.4 【案例 4】深度學習應用于客戶服務系統(tǒng)案例
8 【附】大數(shù)據(jù)機器學習應用的方法論—— 互聯(lián)網(wǎng)思維
8.1 互聯(lián)網(wǎng)思維概述
8.2 用戶思維
8.2.1 用戶是誰
8.2.2 用戶需要什么？
8.3 極致思維
8.3.1 產(chǎn)品極致設計
8.3.2 服務的極致
8.4 簡約思維
8.4.1 產(chǎn)品的簡約
8.4.2 簡約的流程
8.5 迭代思維
8.5.1 產(chǎn)品的快速迭代
8.5.2 開發(fā)過程的快速迭代
8.6 流量思維
8.6.1 先有客戶再有錢
8.6.2 擴展客戶使用流量
8.7 平臺思維
8.7.1 APP store 的借鑒
8.7.2 生態(tài)圈的構筑
8.8 跨界思維
8.8.1 數(shù)據(jù)的跨界 8.8.2 應用的跨界 8.9 數(shù)據(jù)思維
8.9.1 收集數(shù)據(jù)   8.9.2 分析數(shù)據(jù)   8.10 社會化思維 8.10.1 影響社會
8.10.2 社會角度思考
8.11 互聯(lián)網(wǎng)思維在大數(shù)據(jù)系統(tǒng)中的落地
9 總結

段方老師的其它課程