内容介绍：
第一单元机器学习概论
   {1}--机器学习简介
          (1.1.1)--机器学习简介.pdf
          [1.1.1]--机器学习的初步认识.mp4
   {2}--机器学习过程
          [1.2.1]--机器学习过程.mp4
   {3}--机器学习常用算法（1）
          (1.3.1)--机器学习算法地图.pdf
          [1.3.1]--机器学习常用算法.mp4
   {4}--机器学习常用算法（2）
          [1.4.1]--机器学习常用算法（2）.mp4
   {5}--机器学习常见问题
          [1.5.1]--机器学习常见问题（1）.mp4
   {6}--从事机器学习的准备
          [1.6.1]--从事机器学习的准备.mp4
   {7}--机器学习的常用应用领域
           [1.7.1]--机器学习常用领域.mp4

第二单元分类算法
   {10}--贝叶斯网络模型算法
          (2.10.1)--贝叶斯网络.pdf
          [2.10.1]--贝叶斯网络模型.mp4
   {11}--贝叶斯网络的应用
          (2.11.1)--贝叶斯网络的应用研究（选读）.pdf
          [2.11.1]--贝叶斯网络的应用.mp4
   {12}--主分量分析和奇异值分解
          (2.12.1)--主分量分析.pdf
          [2.12.1]--主分量分析和奇异值分解.mp4
   {13}--判别分析
          [2.13.1]--判别分析基础.mp4
   {1}--决策树概述
          (2.1.1)--分类与决策树.pdf
          [2.1.1]--决策树算法.mp4
   {2}--ID3算法
          [2.2.1]--ID3算法.mp4
   {3}--C4.5算法和CART算法
          (2.3.1)--决策树应用研究（选读）.pdf
          [2.3.1]--C4.5算法和CART算法.mp4
   {4}--连续属性离散化、过拟合问题
          [2.4.1]--连续属性离散化、过拟合问题和分类效果评价.mp4
   {5}--集成学习2
          (2.5.1)--集成学习应用研究（选读）.pdf
          (2.5.2)--GBDT等算法的补充.pdf
          [2.5.1]--集成学习常用算法.mp4
          [2.5.2]--GBDT梯度提升树算法.mp4
   {6}--支持向量机基本概念
          (2.6.1)--支持向量机.pdf
          [2.6.1]--支持向量机简介.mp4
   {7}--支持向量机原理
          [2.7.1]--支持向量机原理.mp4
   {8}--支持向量机的应用
          (2.8.1)--支持向量机应用研究（选读）.pdf
          [2.8.1]--支持向量机的应用.mp4
   {9}--朴素贝叶斯模型
           (2.9.1)--贝叶斯分类器用于识别用户情感.pdf
           [2.9.1]--贝叶斯网络简介.mp4

第三单元神经网络基础
   {1}--神经网络简介
          (3.1.1)--神经网络基础.pdf
          [3.1.1]--神经网络简介.mp4
   {2}--神经网络相关概念
          [3.2.1]--神经网络相关概念.mp4
   {3}--BP神经网络算法（1）
          [3.3.1]--BP神经网络算法（1）.mp4
   {4}--BP神经网络算法（2）
          [3.4.1]--BP神经网络算法（2）.mp4
   {5}--神经网络的应用
           (3.5.1)--imagerestorationalgorithmsbasedo.pdf
           [3.5.1]--神经网络的应用.mp4

第四单元聚类分析
   {1}--聚类分析的概念
          (4.1.1)--聚类分析.pdf
          [4.1.1]--聚类分析的概念.mp4
   {2}--聚类分析的度量
          [4.2.1]--聚类分析的度量.mp4
   {3}--基于划分的方法（1）
          (4.3.1)--聚类的个性化学习应用（选读）.pdf
          [4.3.1]--基于划分的方法（1）.mp4
   {4}--基于划分的方法（2）
          [4.4.1]--基于划分的方法（2）.mp4
   {5}--基于密度聚类和基于层次聚类
          (4.5.1)--聚类的社交网络应用（选读）.pdf
          (4.5.2)--Clusteringgeolocateddataforoutli.pdf
          [4.5.1]--基于密度聚类和基于层次聚类.mp4
   {6}--基于模型的聚类
          [4.6.1]--基于模型的聚类.mp4
    {7}--EM算法
           [4.7.1]--EM聚类算法.mp4

第五单元可视化分析
   {1}--可视化分析基础
          (5.1.1)--可视化基础.pdf
          [5.1.1]--可视化分析基础.mp4
   {2}--可视化分析方法
          (5.2.1)--可视化的应用（选读）.pdf
          [5.2.1]--可视化分析方法.mp4
   {3}--在线教学的数据分析案例
           [5.3.1]--在线教学的数据分析.mp4

第六单元关联分析
   {1}--关联分析基本概念
          (6.1.1)--关联分析.pdf
          [6.1.1]--关联分析基本概念.mp4
   {2}--Apriori算法
          (6.2.1)--关联分析在服装缺陷检测中的应用（选读）.pdf
          [6.2.1]--Apriori算法.mp4
    {3}--关联规则应用
           (6.3.1)--关联算法在化妆品推荐中的应用（选读）.pdf
           [6.3.1]--关联规则应用.mp4

第七单元回归分析
   {1}--回归分析基础
          (7.1.1)--回归分析.pdf
          [7.1.1]--回归分析基础.mp4
   {2}--线性回归分析
          (7.2.1)--ALinearRegressionApproachtoRecom.pdf
          [7.2.1]--线性回归分析.mp4
    {3}--非线性回归分析
           ts_downloads.txt

第八单元文本分析
   {1}--文本分析简介
          (8.1.1)--文本分析基础.pdf
          [8.1.1]--文本分析简介.mp4
   {2}--文本分析基本概念
          (8.2.1)--Morethanwords-Socialnetworks’tex.pdf
          [8.2.1]--文本分析基本概念.mp4
   {3}--语言模型、向量空间模型
          [8.3.1]--语言模型、向量空间模型.mp4
   {4}--词法、分词、句法分析
          [8.4.1]--词法、分词、句法分析.mp4
   {5}--语义分析
          [8.5.1]--语义分析.mp4
   {6}--文本分析应用
          (8.6.1)--文本分析应用案例（选读）.pdf
          (8.6.2)--Usingtextminingandsentimentanaly.pdf
          [8.6.1]--文本分析应用.mp4
   {7}--知识图谱简介
          (8.7.1)--知识图谱.pdf
          [8.7.1]--知识图谱概念.mp4
   {8}--知识图谱技术
          [8.8.1]--知识图谱技术.mp4

   {9}--知识图谱构建和应用
           [8.9.1]--知识图谱构建和应用.mp4

第九单元分布式机器学习、遗传算法
       获取更多学习资源.url
    {1}--分布式机器学习基础
           (9.1.1)--分布式机器学习.pdf
           [9.1.1]--分布式机器学习基础.mp4
    {2}--分布式机器学习框架
           [9.2.1]--分布式机器学习框架.mp4
    {3}--并行决策树
           [9.3.1]--并行决策树.mp4
    {4}--并行k-均值算法
           [9.4.1]--并行k-均值算法.mp4
    {5}--并行多元线性回归模型
           [9.5.1]--并行多元线性回归模型.mp4
    {6}--遗传算法基础
           (9.6.1)--遗传算法.pdf
           [9.6.1]--遗传算法基础.mp4
    {7}--遗传算法的过程
           [9.7.1]--遗传算法的过程.mp4
    {8}--遗传算法的应用
           (9.8.1)--Usegeneticalgorithmtoimproveoils.pdf
           [9.8.1]--遗传算法的应用.mp4
    {9}--蜂群算法
            [9.9.1]--蜂群算法.mp4

第十单元电子推荐系统
   {1}--推荐系统基础:
          (10.1.1)--推荐技术.pdf
          [10.1.1]--推荐系统基础.mp4
   {2}--推荐系统结构
          [10.2.1]--推荐系统结构.mp4
   {3}--基于人口统计学的推荐、基于内容的推荐
          (10.3.1)--location-awarerecommendersystemf.pdf
          [10.3.1]--基于人口统计学的推荐、基于内容的推荐.mp4
   {4}--基于协同过滤的推荐算法
          (10.4.1)--personalizedrecommenderforcosmet.pdf
          [10.4.1]--基于协同过滤的推荐算法.mp4
   {5}--基于图的模型、基于PageRank的推荐、基于关联规则的推荐
          [10.5.1]--基于图的模型、基于PageRank的推荐、基于关联规则的推荐.mp4
   {6}--其他推荐方法:
          (10.6.1)--人工智能之信息检索与推荐【选读】.pdf
          [10.6.1]--其他推荐方法.mp4
   {7}--推荐结果的评测方法
          [10.7.1]--推荐结果的评测方法.mp4
   {8}--推荐结果的评测指标
          [10.8.1]--推荐结果的评测指标.mp4
   {9}--推荐系统常见问题
           [10.9.1]--推荐系统常见问题.mp4

第十一单元深度学习
   {10}--基于LSTM的股票预测
          [11.10.1]--基于LSTM的股票预测.mp4
   {11}--图像定位与识别
          [11.11.1]--目标检测.mp4
   {12}--图像定位于识别
          [11.12.1]--目标检测算法.mp4
   {13}--强化学习
          [11.13.1]--加强学习简介.mp4
   {14}--生成对抗网络
          [11.14.1]--生成对抗网络基础.mp4
   {15}--迁移学习
          [11.15.1]--迁移学习基础.mp4
   {16}--对偶学习
          [11.16.1]--对偶学习基础.mp4

   {17}--深度学习复习
   {1}--卷积基本概念
          (11.1.1)--卷积神经网络.pdf
          [11.1.1]--卷积基本概念.mp4
   {2}--LeNet框架（1）
          [11.2.1]--LeNet框架（1）.mp4
   {3}--LeNet框架（2）
          [11.3.1]--LeNet框架（2）.mp4
   {4}--卷积基本单元
          [11.4.1]--卷积基本单元.mp4
   {5}--卷积神经网络训练
          (11.5.1)--卷积笔记.pdf
          [11.5.1]--卷积神经网络训练.mp4
   {6}--基于卷积的股票预测
          (11.6.1)--股票预测.pdf
          [11.6.1]--基于卷积的股票预测.mp4
   {7}--循环神经网络RNN基础
          (11.7.1)--循环神经网络.pdf
          [11.7.1]--循环神经网络基础.mp4
   {8}--循环神经网络的训练和示例
          [11.8.1]--循环神经网络的训练和示例.mp4
   {9}--长短期记忆网络LSTM
           (11.9.1)--ConvolutionalLSTMNetwork（选读）.pdf
           [11.9.1]--长短期记忆网络.mp4

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
           (12.1.1)--突破知识型教学走向实践.pdf
           (12.1.2)--数据分析类课程的技能培养方法探讨.pdf
           (12.1.3)--基于项目实践的机器学习课程改革.pdf
           [12.1.1]--实践驱动的机器学习教学.mp4

百度网盘下载地址：