什么是机器学习？

机器学习是一门多领域交叉学科。专门研究计算机或其它软硬件设备怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
应用机器学习技术到产品中，给用户带来“机器具备人类般高智能”的震撼性体验。
人力成本又越来越高，机器学习能降低企业成本，提高投入产出比。
第二次机器革命——以具备人类智能为核心价值的机器占主导地位（第一次机器革命——动力系统革命），对国家软实力具有重要作用。
机器学习是人工智能研究的核心内容。它的应用已遍及人工智能的各个分支，如与家系统、自动推理、自然语言理解、模式识别、计算机视觉、智能机器人等领域。
机器学习在数据挖掘里被大量使用，其技术内涵几乎通用，可以看作同一座山峰在丌同视角下的侧影。

课程简介：
第1课 机器学习概论
第2课 线性回归与Logistic。案例：电子商务业绩预测
第3课 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课 降维技术。案例：业绩综合指标设计
第5课 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课 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课 支持向量机，为什么能理解SVM的人凤毛麟角？
第8课 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课 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课 概率神经网络和信念贝叶斯分类器
第11课 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----更新完毕！

课程目标：
熟悉课程里所介绍的各种算法的细节
懂得如何使用这些算法去解决实际场景问题
熟悉了解常用的机器学习和数据挖掘软件

育成目标：

数据分析师，算法设计师，具备算法设计能力的高层次程序员

什么是推荐系统？

推荐系统是当今应用最广和最成功的机器学习系统。对于数据分析基础的朋友，可以提高其处理大数据的能力。对于IT基础的朋友，可以通过课程了解机器学习算法的原理与应用，进军大数据分析领域

课程简介:
第1周 推荐系统概述
第2周 最流行的推荐系统：itemCF和userCF
第3周 大数据环境下的itemCF实现
第4周 基于频繁模式的推荐系统，套餐设计
第5周 基于内容的推荐，隐语义模型
第6周 SVD，基于标签的推荐系统
第7周 社交网络好友推荐，图算法，在图数据库Neo4j上的实现
第8课 用Cypher语言实现好友推荐
第9课 实时推荐系统----更新完毕！

《数据分析与SAS》课程简介: 
第1课 SAS体系介绍：逻辑库，变量、函数、操作符与SAS表达式，数据步基本语句
第2课 ETL技术之一：复杂的数据步控制，读取外部文件和数据库连接
第3课 ETL技术之二：数据集整理。跳转、循环、数组等，数据集合并，OUTPUT语句
第4课 ETL技术之三：过程步常用语句，几个常用过程，SQL过程
第5课 初识SAS分析之一：描述性统计量计算过程
第6课 初识SAS分析之二：制表与画图
第7课 真理还是谬误？拉出来遛遛：假设检验
第8课 告别拍脑袋式的肉眼判断：方差分析
第9课 我也是个预言家之一：相关分析与线性回归模型
第10课 我也是个预言家之二：Logistic回归模型与非线性回归
第11课 人生大部分问题是抉择问题：分类器
第12课 人以群分，物以类聚：聚类分析
第13课 抓住背后看不见那只手：主成分分析与因子分析
第14课 不是算命先生：生存分析，COX回归模型
第15课 股神是怎样炼成的：时间序列与ARIMA模型 

 =======================================================

《数据分析与SPSS》课程内容：

第01课  SPSS概览, SPSS安装与进入,数据文件的管理, 建立与保存数据文件-File,能够编辑数据文                件，从原有变量计算新变量

第02周  Descriptive Statistics菜单, Frequencies，Explore，Crosstabs过程,Compare                      Means菜单, Means过程，One-Samples T Test过程,Independent-Samples TTest                过程
第03课  Compare Means菜单, General Linear Model菜单,两因素方差分析,univarate协方差             分析,其他较简单的方差分析问题 
第04课  General Linear Model菜单,多方差分析,重复测量的方差分析 , Correlate菜单
第05课  Regression菜单,Linear过程      ,Binary Logistic过程,NonparametricTests菜单      
第06课  SPSS结果窗口用法,结果浏览窗口,掌握WORD等软件中使用输出结果，进行图片编辑,                   SPSS统计绘图功能, 常用统计图 ,因素分析
第07课  SPSS Clementine软件功能演练，熟悉SPSS Clementine软件功能，了解SPSS                         Clementine 软件的各选项面板和操作方法。      
第08课  SPSS Clementine 数据可视化，熟悉SPSS Clementine 绘图，了解SPSSClementine               图形选项面板各节点的使用方法；熟练掌握SPSS Clementine 数据可视化流程。 
第09课   决策树C5.0 建模（结合案例），熟悉SPSS Clementine 软件建模方法和技术，掌握                  SPSS Clementine分布图、散点图、网络图的创建方法，掌握决策树C5.0 建模方法。      
第10课   关联规则挖掘（超市购物篮分析），熟悉C5.0 规则归纳、掌握购物篮分析的方法。   
第11课   欺诈屏蔽/异常检测/神经网络，熟悉各种聚类分析方法；了解神经网络分析方法与过程；              掌握异常检测的方法。
第12课   分类和回归树节点(C&RT)，掌握C&RT分类算法，掌握决策树的建立和修剪，了解                      C&RT分类算法在管理决策中的应用。

 =======================================================

《快速数据挖掘平台RapidMiner》课程内容：
第一周：数据挖掘基本知识RapidMiner工具介绍
第二周：数据准备：导入、预处理、导出
第三周：数据挖掘模型和方法
第四周：K-Means 聚类与辨别分析
第五周：线性回归与逻辑回归
第六周：决策树与神经网络
第七周：文本挖掘
第八周：WEB挖掘
第九周：协同过滤、推荐
第十周：时间序列分析
第十一周：离群点分析
第十二周：模型评估-交叉验证与模型优化化
第十三周：过程控制
第十四周：数据转换与执行命令