视频购买咨询请加QQ  613385945

本套课程用浅显易懂的语言精准概括了机器学习的相关知识，内容全面，总结到位，剖析了机器学习的what，who，when, where, how，以及why等相关问题。内容涵盖：机器学习、推荐系统、朴素贝叶斯算法等，注重原理剖析、实战为王。跟着老师的要求，你能解决企业级的相关技术问题。

视频目录：
130.机器学习介绍
131.机器学习-数学基础
132.机器学习-贝叶斯公式
133.机器学习-tf-idf
134.机器学习-回归-线性回归-逻辑回归
135.机器学习-线性回归-实现酒质量预测
136.模型持久化-外部加载
137.机器学习-线性回归-java API编程
138.机器学习-逻辑回归-scala API编程白酒质量预测
139.机器学习-回归计算器-评测模型-使用误差计算公式
140.机器学习-贝叶斯分类器
141.机器学习-贝叶斯分类器Scala编程
142.机器学习-贝叶斯分类器实现红酒二元分类
143.机器学习-precision-recall-accuracy-f1score
144.机器学习-MulticlassClassificationEvaluator公式验证
145.机器学习-MulticlassClassificationEvaluator-f1分数考察
146.机器学习-LogisticRegressWithSGD实现垃圾邮件分类
147.机器学习-TF-IDF概念回顾
149.机器学习-kmean聚类学习
148.机器学习-ml-mllib包类区分使用
150.机器学习-Tokenizer-按照空格进行切割
151.机器学习-RegexTokenizer-支持正则表达式分词
152.机器学习-word中文分词-自定义停用词
153.机器学习-idf模型训练-结果考察-公式原理
154.机器学习-pipeline操作-英文停用词组合
155.机器学习-pipeline java代码实现
156.机器学习-松散向量密度化处理
157.机器学习-推荐系统-指标概述
158.机器学习-推荐系统-用户行为数据说明
159.机器学习-推荐系统-相似度算法-userCF
160.机器学习-推荐系统-余弦相似度计算
161.机器学习-推荐系统-用户相似度矩阵计算
162.机器学习-推荐系统-相似度矩阵排序
163.机器学习-推荐系统-使用userCF算法实现用户u对商品i的偏好计算
164.userCF的推荐列表实现
165.userCF的推荐列表实现-数据验证
166.itemCF的原理说明
167.itemCF的itemUsers计算
168.itemCF的item相似度矩阵算法-排序
169.itemCF下计算用户对商品的偏好值
170.itemCF下实现用户商品推荐
171.itemCF下实现用户商品推荐-验证结果
172.john breese相似度对流行商品进行惩罚
173.机器学习-中文垃圾邮件分类
174.推荐系统-scala实现itemCF算法
175.推荐系统-scala实现商品相似度矩阵求解
176.推荐系统-userCF-itemCF的比较.avi
177.推荐系统-f1score物理意义计算
178.推荐系统-处理观影数据用于itemCF测试
179.推荐系统-处理观影数据用于itemCF测试scala修剪1
180.推荐系统-精确率和召回率结果验证
181.LFM隐语义模型原理
182.使用矩阵分解算法实现推荐
183.推荐系统-使用基于DataFrame的ALS API实现推荐1
184.推荐系统-使用基于DataFrame的ALS API实现推荐2-错误解决
185.朴素贝叶斯原理分析
186.朴素贝叶斯原理分析回顾
187.朴素贝叶斯算法java实现-1文件加载-数据框变换
188.朴素贝叶斯算法java实现-2使用目录加载-数据框变换
189.朴素贝叶斯算法java实现-3.分词与哈希词频统计
190.朴素贝叶斯算法java实现-4拆分样本数据
191.朴素贝叶斯算法java实现-5数据框转成RDD
192.朴素贝叶斯算法java实现-6.计算标签内文档数和特征向量
193.朴素贝叶斯算法java实现-7使用模型预测测试数据
194.朴素贝叶斯算法java实现-8测试模型
195.朴素贝叶斯算法java实现-9错误查找-标签位置对应的问题