Video description
课程简介
几乎世界上的每一家公司都在评估自己的数字战略，并寻找利用数字化进行业务转型的机会。大数据分析和机器学习是这一战略的核心。几乎每个行业的高管、数字架构师、IT管理员和通信运营人员都需要了解数据处理和人工智能的基础知识。
在本课程中，经验丰富的两位讲师提供了有效的经验指导，带领大家探索大数据分析、监督学习、无监督学习和神经网络的基本原理。除了深入研究基本概念外，还举例介绍了不同行业的大数据和机器学习用例，并演示了数据科学家和研究人员在不同领域使用的最常见工具(如Hadoop、TensorFlow、Matlab/Octave、R和Python)。
Get技能
● 了解静态和实时流数据是如何收集、分析和使用的；
● 了解机器学习和模仿人类思维的关键工具和方法；
● 如何收集非结构化数据，为分析和可视化做准备；
● 学会比较和对比各种大数据架构；
● 学会将有监督学习、线性回归、数据拟合及强化学习应用到机器学习上，以产生想要的信息结果；
● 将分类技术应用于机器学习，以更好地分析数据；
● 利用无监督学习的好处，收集到你意想不到的数据价值；
● 了解人工神经网络(ANNs)如何进行深度学习，并获得令人叹服的结果；
● 应用主成分分析(PCA)改进数据分析的管理；
● 了解在真实系统上实现机器学习的关键方法，以及在进行机器学习项目时必须考虑的各种事项；
Table of Contents
引言
数据分析与机器学习基础LiveLessons视频培训：引言
模块一:大数据分析简介
模块一:引言
第一课:大数据分析概述 学习目标
学习目标
1.1理解什么是大数据分析以及为什么应该关注它
第2课:机器学习概述 学习目标
2.1了解什么是机器学习和人工智能
2.2了解机器学习的概况
2.3理解机器学习和大数据生态系统
模块二:大数据分析101
模块二:引言
第三课:大数据分析的基本概念 学习目标
学习目标
3.1了解大数据分析系统的基本原理
3.2通过代理和数据消息连接数据
3.3批处理和实时流分析系统的比较
第四课:大数据架构
学习目标
4.1比较大数据架构
4.2了解Hadoop基础知识
4.3探索YARN
模块三 :机器学习101
模块三:引言
第五课:回归
学习目标
5.1理解监督学习
5.2检验线性回归
5.3数据拟合
5.4探索强化学习
第六课:分类
学习目标
6.1了解分类基础
6.2支持向量机的理解
6.3探索随机森林
6.4分类演示
第7课:无监督学习
学习目标
7.1了解无监督学习基本原理
7.2检查其它聚类算法
7.3聚类演示
模块四: 深度学习和高级主题
模块四:引言
第八课:深度学习
学习目标
8.1了解人工神经网络(ANN)的基本原理
8.2深入学习
8.3应用深度学习:图像分析-卷积神经网络
8.4探索边缘计算中深度学习的示例用例
第九课:高级算法
学习目标
9.1检验主成分分析(PCA)
9.2检验贝叶斯学习
第10课:部署考虑事项和未来方向
学习目标
10.1调查机器学习框架
10.2了解ML硬件加速技术
10.3机器学习的未来方向
数据分析与机器学习基础课程总结
数据分析与机器学习基础课程总结