[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"meeting-detail:OFM20200602_85963428":3},{"member":4,"info":5,"hall":31,"files":32,"extendInfo":33,"descriptions":44,"sponsors":57},null,{"hadFav":6,"id":7,"companyunicode":8,"companyName":9,"companyLogo":10,"huanxinId":11,"memberCode":11,"unicode":12,"title":13,"industryId":14,"industryName":15,"industryPId":4,"industryPName":4,"beginTime":16,"endTime":17,"pic":18,"createTime":19,"continentId":20,"continentName":21,"countryId":22,"countryName":23,"stateId":24,"stateName":25,"cityId":26,"cityName":25,"regionId":27,"regionName":4,"liveFlag":28,"liveingFlag":28,"livebackFlag":28,"thriddUrl":29,"introduction":29,"tags":29,"numSponsor":6,"numCanguan":6,"status":6,"openStatus":30,"offLineRemark":29},0,"1267716562051309568","ci67fdmkbnogt","广州立佳信科技有限责任公司","https:\u002F\u002Foss-images6396289.yzdli.com\u002F3620375967\u002F1ftirt8q0e\u002F20200602111616.png","3620375967","OFM20200602_85963428","2020Python大数据核心技术实战高级工程师实战培训班（9月北京班）","1247717923910332416","IT互联网","2020-09-21 08:00:00","2020-09-24 18:00:00","https:\u002F\u002Foss-images6396289.yzdli.com\u002F4674282192\u002F1hdoserw323\u002Fv6hm3_08478qe9j.png","2020-06-30 17:29:58",2001,"亚洲",44,"中国",4035,"北京市",10919,20000,1,"",3,{"title":13,"continentId":20,"countryId":22,"stateId":24,"cityId":26,"regionId":27,"address":29,"square":29,"pic":29},[],{"room":29,"companyName":34,"companyContinent":35,"companyCountry":6,"companyState":36,"companyCity":37,"companyRegion":27,"companyAddress":38,"companyLink":29,"contact":39,"contactPhonearea":40,"contactPhone":41,"contactEmail":42,"contactWeixin":29,"unitZhuban":43,"unitZhichi":29,"unitChengban":29,"unitXieban":29,"companyContinentName":4,"companyCountryName":4,"companyStateName":4,"companyCityName":4,"companyRegionName":4},"云展动力",2000,4000,10000,"暂无数据","小云","+86","18613156098","2059252119@qq.com","中国信息化人才培训中心",[45,48,51,54],{"descKey":46,"descValue":47},"info","\u003Cdiv style=\"font-weight: 300; line-height: 36px; font-size: 18px;\" > \u003Cdiv style=\"text-align:center\" >\u003Cimg src=\"https:\u002F\u002Fimages6396289.oss-cn-shenzhen.aliyuncs.com\u002F3620375967\u002F00ssdfwr558\u002F3cbtb_8098jqgbm.jpg\" alt=\"2020Python大数据核心技术实战高级工程师实战培训班（9月北京班）\">\u003C\u002Fdiv> \n\u003Cp style=\"text-align: center;font-size: 12px;\">2020Python大数据核心技术实战高级工程师实战培训班（9月北京班）宣传图\u003C\u002Fp> \n\u003Cdiv class=\"new_content\"> \n \u003Cdiv class=\"con_box\"> \n  \u003Cp>\u003Cbr>\u003C\u002Fp>\n  \u003Ctable border=\"1\" cellspacing=\"0\">\n   \u003Ctbody>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>地点\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>北京\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>上海\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>北京\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>杭州\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>成都\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>北京\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>上海\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>深圳\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>时间\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>04月17-20\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>04月23-26\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>06月18-21\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>07月27-30\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>08月\u003C\u002Fp>\u003Cp>25-28\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>09月\u003C\u002Fp>\u003Cp>21-24\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>10月\u003C\u002Fp>\u003Cp>24-27\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>11月\u003C\u002Fp>\u003Cp>26-29\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n   \u003C\u002Ftbody>\n  \u003C\u002Ftable>\n  \u003Cp>                            \u003C\u002Fp>\n  \u003Cp>一、课程学习目标\u003C\u002Fp>\n  \u003Cp>1.每个算法模块按照“原理讲解→分析数据→自己动手实现→特征与调参”的顺序。\u003C\u002Fp>\n  \u003Cp>2.“Python数据清洗和特征提取”，提升学习深度、降低学习坡度。\u003C\u002Fp>\n  \u003Cp>3.增加网络爬虫的原理和编写，从获取数据开始，重视将实践问题转换成实际模型的能力，分享工作中的实际案例或Kaggle案例：广告销量分析、环境数据异常检测和分析、数字图像手写体识别、Titanic乘客存活率预测、用户-电影推荐、真实新闻组数据主题分析、中文分词、股票数据特征分析等。\u003C\u002Fp>\n  \u003Cp>4.强化矩阵运算、概率论、数理统计的知识运用，掌握机器学习根本。\u003C\u002Fp>\n  \u003Cp>5.阐述机器学习原理，提供配套源码和数据。\u003C\u002Fp>\n  \u003Cp>6.以直观解释，增强感性理解。\u003C\u002Fp>\n  \u003Cp>7.对比不同的特征选择带来的预测效果差异。\u003C\u002Fp>\n  \u003Cp>8.重视项目实践，重视落地。思考不同算法之间的区别和联系，提高在实际工作中选择算法的能力。\u003C\u002Fp>\n  \u003Cp>9.涉及和讲解的部分Python库有：Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn。\u003C\u002Fp>\n  \u003Cp>二、课程目标\u003C\u002Fp>\n  \u003Cp>本课程特点是从数学层面推导最经典的机器学习算法，以及每种算法的示例和代码实（Python）、如何做算法的参数调试、以实际应用案例分析各种算法的选择等。\u003C\u002Fp>\n  \u003Cp>三、培训对象\u003C\u002Fp>\n  \u003Cp>大数据分析应用开发工程师、大数据分析项目的规划咨询管理人员、大数据分析项目的IT项目高管人员、大数据分析与挖掘处理算法应用工程师、大数据分析集群运维工程师、大数据分析项目的售前和售后技术支持服务人员\u003Cbr>\u003C\u002Fp>\n  \u003Cp>\u003Cstrong>颁发证书\u003C\u002Fstrong>\u003C\u002Fp>\n  \u003Cp>参加相关培训并通过考试的学员，可以获得：\u003C\u002Fp>\n  \u003Cp>工业和信息化部颁发的-《Python大数据工程师证书》。该证书可作为专业技术人员职业能力考核的证明，以及专业技术人员岗位聘用、任职、定级和晋升职务的重要依据。注：请学员带一寸彩照2张（背面注明姓名）、身份证复印件一张。\u003Cbr>\u003C\u002Fp> \n \u003C\u002Fdiv> \n  \n\u003C\u002Fdiv>\u003C\u002Fdiv>",{"descKey":49,"descValue":50},"person","\u003Cdiv style=\"font-weight: 300; line-height: 36px; font-size: 18px;\" > \u003Cdiv class=\"guest_content\"> \n \u003Cdiv class=\"con_box\"> \n  \u003Cp>师资介绍\u003C\u002Fp>\n  \u003Cp>张老师：阿里大数据高级专家，国内资深的Spark、Hadoop技术专家、虚拟化专家，对HDFS、MapReduce、HBase、Hive、Mahout、Storm、spark和openTSDB等Hadoop生态系统中的技术进行了多年的深入的研究，更主要的是这些技术在大量的实际项目中得到广泛的应用，因此在Hadoop开发和运维方面积累了丰富的项目实施经验。近年主要典型的项目有：某电信集团网络优化、中国移动某省移动公司请账单系统和某省移动详单实时查询系统、中国银联大数据数据票据详单平台、某大型银行大数据记录系统、某大型通信运营商全国用户上网记录、某省交通部门违章系统、某区域医疗大数据应用项目、互联网公共数据大云(DAAS)和构建游戏云(Web Game Daas)平台项目等。\u003C\u002Fp> \n \u003C\u002Fdiv> \n  \n\u003C\u002Fdiv>\u003C\u002Fdiv>",{"descKey":52,"descValue":53},"richeng","\u003Cdiv style=\"font-weight: 300; line-height: 36px; font-size: 18px;\" > \u003Cdiv class=\"new_content\"> \n \u003Cdiv class=\"con_box\"> \n  \u003Cp>详细培训内容介绍\u003C\u002Fp>\n  \u003Ctable border=\"1\" cellspacing=\"0\">\n   \u003Ctbody>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>课程模块\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>课程主题\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>主要内容及案例和演示\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块一\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>机器学习的数学基础1 - 数学分析\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 机器学习的一般方法和横向比较\u003C\u002Fp>\u003Cp>2. 数学是有用的：以SVD为例\u003C\u002Fp>\u003Cp>3. 机器学习的角度看数学\u003C\u002Fp>\u003Cp>4. 复习数学分析\u003C\u002Fp>\u003Cp>5. 直观解释常数e\u003C\u002Fp>\u003Cp>6. 导数\u002F梯度\u003C\u002Fp>\u003Cp>7. 随机梯度下降\u003C\u002Fp>\u003Cp>8. Taylor展式的落地应用\u003C\u002Fp>\u003Cp>9. gini系数\u003C\u002Fp>\u003Cp>10. 凸函数\u003C\u002Fp>\u003Cp>11. Jensen不等式\u003C\u002Fp>\u003Cp>12. 组合数与信息熵的关系\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块二\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>机器学习的数学基础2 - 概率论与贝叶斯先验\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 概率论基础\u003C\u002Fp>\u003Cp>2. 古典概型\u003C\u002Fp>\u003Cp>3. 贝叶斯公式\u003C\u002Fp>\u003Cp>4. 先验分布\u002F后验分布\u002F共轭分布\u003C\u002Fp>\u003Cp>5. 常见概率分布\u003C\u002Fp>\u003Cp>6. 泊松分布和指数分布的物理意义\u003C\u002Fp>\u003Cp>7. 协方差(矩阵)和相关系数\u003C\u002Fp>\u003Cp>8. 独立和不相关\u003C\u002Fp>\u003Cp>9. 大数定律和中心极限定理的实践意义\u003C\u002Fp>\u003Cp>10. 深刻理解最大似然估计MLE和最大后验估计MAP\u003C\u002Fp>\u003Cp>11. 过拟合的数学原理与解决方案\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块三\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>机器学习的数学基础3 - 矩阵和线性代数\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 线性代数在数学科学中的地位\u003C\u002Fp>\u003Cp>2. 马尔科夫模型\u003C\u002Fp>\u003Cp>3. 矩阵乘法的直观表达\u003C\u002Fp>\u003Cp>4. 状态转移矩阵\u003C\u002Fp>\u003Cp>5. 矩阵和向量组\u003C\u002Fp>\u003Cp>6. 特征向量的思考和实践计算\u003C\u002Fp>\u003Cp>7. QR分解\u003C\u002Fp>\u003Cp>8. 对称阵、正交阵、正定阵\u003C\u002Fp>\u003Cp>9. 数据白化及其应用\u003C\u002Fp>\u003Cp>10. 向量对向量求导\u003C\u002Fp>\u003Cp>11. 标量对向量求导\u003C\u002Fp>\u003Cp>12. 标量对矩阵求导工作机制\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块四\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>Python基础1 - Python及其数学库\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 解释器Python2.7与IDE：Anaconda\u002FPycharm\u003C\u002Fp>\u003Cp>2. Python基础：列表\u002F元组\u002F字典\u002F类\u002F文件\u003C\u002Fp>\u003Cp>3. Taylor展式的代码实现\u003C\u002Fp>\u003Cp>4. numpy\u002Fscipy\u002Fmatplotlib\u002Fpanda的介绍和典型使用\u003C\u002Fp>\u003Cp>5. 多元高斯分布\u003C\u002Fp>\u003Cp>6. 泊松分布、幂律分布\u003C\u002Fp>\u003Cp>7. 典型图像处理\u003C\u002Fp>\u003Cp>8. 蝴蝶效应\u003C\u002Fp>\u003Cp>9. 分形与可视化\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块五\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>Python基础2 - 机器学习库\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. scikit-learn的介绍和典型使用\u003C\u002Fp>\u003Cp>2. 损失函数的绘制\u003C\u002Fp>\u003Cp>3. 多种数学曲线\u003C\u002Fp>\u003Cp>4. 多项式拟合\u003C\u002Fp>\u003Cp>5. 快速傅里叶变换FFT\u003C\u002Fp>\u003Cp>6. 奇异值分解SVD\u003C\u002Fp>\u003Cp>7. Soble\u002FPrewitt\u002FLaplacian算子与卷积网络\u003C\u002Fp>\u003Cp>8. 卷积与(指数)移动平均线\u003C\u002Fp>\u003Cp>9. 股票数据分析\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块六\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>Python基础3 - 数据清洗和特征选择\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 实际生产问题中算法和特征的关系\u003C\u002Fp>\u003Cp>2. 股票数据的特征提取和应用\u003C\u002Fp>\u003Cp>3. 一致性检验\u003C\u002Fp>\u003Cp>4. 缺失数据的处理\u003C\u002Fp>\u003Cp>5. 环境数据异常检测和分析\u003C\u002Fp>\u003Cp>6. 模糊数据查询和数据校正方法、算法、应用\u003C\u002Fp>\u003Cp>7. 朴素贝叶斯用于鸢尾花数据\u003C\u002Fp>\u003Cp>8. GaussianNB\u002FMultinomialNB\u002FBernoulliNB\u003C\u002Fp>\u003Cp>9. 朴素贝叶斯用于18000+篇\u002FSogou新闻文本的分类\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块七\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp> 回归\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 线性回归\u003C\u002Fp>\u003Cp>2. Logistic\u002FSoftmax回归\u003C\u002Fp>\u003Cp>3. 广义线性回归\u003C\u002Fp>\u003Cp>4. L1\u002FL2正则化\u003C\u002Fp>\u003Cp>5. Ridge与LASSO\u003C\u002Fp>\u003Cp>6. Elastic Net\u003C\u002Fp>\u003Cp>7. 梯度下降算法：BGD与SGD\u003C\u002Fp>\u003Cp>8. 特征选择与过拟合\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块八\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>Logistic回归\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. Sigmoid函数的直观解释\u003C\u002Fp>\u003Cp>2. Softmax回归的概念源头\u003C\u002Fp>\u003Cp>3. Logistic\u002FSoftmax回归\u003C\u002Fp>\u003Cp>4. 最大熵模型\u003C\u002Fp>\u003Cp>5. K-L散度\u003C\u002Fp>\u003Cp>6. 损失函数\u003C\u002Fp>\u003Cp>7. Softmax回归的实现与调参\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块九\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>回归实践\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 机器学习sklearn库介绍\u003C\u002Fp>\u003Cp>2. 线性回归代码实现和调参\u003C\u002Fp>\u003Cp>3. Softmax回归代码实现和调参\u003C\u002Fp>\u003Cp>4. Ridge回归\u002FLASSO\u002FElastic Net\u003C\u002Fp>\u003Cp>5. Logistic\u002FSoftmax回归\u003C\u002Fp>\u003Cp>6. 广告投入与销售额回归分析\u003C\u002Fp>\u003Cp>7. 鸢尾花数据集的分类\u003C\u002Fp>\u003Cp>8. 交叉验证\u003C\u002Fp>\u003Cp>9. 数据可视化\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块十\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>决策树和随机森林\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 熵、联合熵、条件熵、KL散度、互信息\u003C\u002Fp>\u003Cp>2. 最大似然估计与最大熵模型\u003C\u002Fp>\u003Cp>3. ID3、C4.5、CART详解\u003C\u002Fp>\u003Cp>4. 决策树的正则化\u003C\u002Fp>\u003Cp>5. 预剪枝和后剪枝\u003C\u002Fp>\u003Cp>6. Bagging\u003C\u002Fp>\u003Cp>7. 随机森林\u003C\u002Fp>\u003Cp>8. 不平衡数据集的处理\u003C\u002Fp>\u003Cp>9. 利用随机森林做特征选择\u003C\u002Fp>\u003Cp>10. 使用随机森林计算样本相似度\u003C\u002Fp>\u003Cp>11. 数据异常值检测\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块十一\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>随机森林实践\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 随机森林与特征选择\u003C\u002Fp>\u003Cp>2. 决策树应用于回归\u003C\u002Fp>\u003Cp>3. 多标记的决策树回归\u003C\u002Fp>\u003Cp>4. 决策树和随机森林的可视化\u003C\u002Fp>\u003Cp>5. 葡萄酒数据集的决策树\u002F随机森林分类\u003C\u002Fp>\u003Cp>6. 波士顿房价预测\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块十二\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>提升\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 提升为什么有效\u003C\u002Fp>\u003Cp>2. 梯度提升决策树GBDT\u003C\u002Fp>\u003Cp>3. XGBoost算法详解\u003C\u002Fp>\u003Cp>4. Adaboost算法\u003C\u002Fp>\u003Cp>5. 加法模型与指数损失\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块十三\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>提升实践\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. Adaboost用于蘑菇数据分类\u003C\u002Fp>\u003Cp>2. Adaboost与随机森林的比较\u003C\u002Fp>\u003Cp>3. XGBoost库介绍\u003C\u002Fp>\u003Cp>4. Taylor展式与学习算法\u003C\u002Fp>\u003Cp>5. KAGGLE简介\u003C\u002Fp>\u003Cp>6. 泰坦尼克乘客存活率估计\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块十四\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>SVM\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 线性可分支持向量机\u003C\u002Fp>\u003Cp>2. 软间隔的改进\u003C\u002Fp>\u003Cp>3. 损失函数的理解\u003C\u002Fp>\u003Cp>4. 核函数的原理和选择\u003C\u002Fp>\u003Cp>5. SMO算法\u003C\u002Fp>\u003Cp>6. 支持向量回归SVR\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块十五\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>SVM实践\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. libSVM代码库介绍\u003C\u002Fp>\u003Cp>2. 原始数据和特征提取\u003C\u002Fp>\u003Cp>3. 葡萄酒数据分类\u003C\u002Fp>\u003Cp>4. 数字图像的手写体识别\u003C\u002Fp>\u003Cp>5. SVR用于时间序列曲线预测\u003C\u002Fp>\u003Cp>6. SVM、Logistic回归、随机森林三者的横向比较\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块十六\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>聚类（一）\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 各种相似度度量及其相互关系\u003C\u002Fp>\u003Cp>2. Jaccard相似度和准确率、召回率\u003C\u002Fp>\u003Cp>3. Pearson相关系数与余弦相似度\u003C\u002Fp>\u003Cp>4. K-means与K-Medoids及变种\u003C\u002Fp>\u003Cp>5. AP算法(Sci07)\u002FLPA算法及其应用\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块十七\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>聚类（二）\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 密度聚类DBSCAN\u002FDensityPeak(Sci14)\u003C\u002Fp>\u003Cp>2. DensityPeak(Sci14)\u003C\u002Fp>\u003Cp>3. 谱聚类SC\u003C\u002Fp>\u003Cp>4. 聚类评价AMI\u002FARI\u002FSilhouette\u003C\u002Fp>\u003Cp>5. LPA算法及其应用\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块十八\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>聚类实践\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. K-Means++算法原理和实现\u003C\u002Fp>\u003Cp>2. 向量量化VQ及图像近似\u003C\u002Fp>\u003Cp>3. 并查集的实践应用\u003C\u002Fp>\u003Cp>4. 密度聚类的代码实现\u003C\u002Fp>\u003Cp>5. 谱聚类用于图片分割\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块十九\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>EM算法\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 最大似然估计\u003C\u002Fp>\u003Cp>2. Jensen不等式\u003C\u002Fp>\u003Cp>3. 朴素理解EM算法\u003C\u002Fp>\u003Cp>4. 精确推导EM算法\u003C\u002Fp>\u003Cp>5. EM算法的深入理解\u003C\u002Fp>\u003Cp>6. 混合高斯分布\u003C\u002Fp>\u003Cp>7. 主题模型pLSA\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块二十\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>EM算法实践\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 多元高斯分布的EM实现\u003C\u002Fp>\u003Cp>2. 分类结果的数据可视化\u003C\u002Fp>\u003Cp>3. EM与聚类的比较\u003C\u002Fp>\u003Cp>4. Dirichlet过程EM\u003C\u002Fp>\u003Cp>5. 三维及等高线等图件的绘制\u003C\u002Fp>\u003Cp>6. 主题模型pLSA与EM算法\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块二十一\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>主题模型LDA\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 贝叶斯学派的模型认识\u003C\u002Fp>\u003Cp>2. Beta分布与二项分布\u003C\u002Fp>\u003Cp>3. 共轭先验分布\u003C\u002Fp>\u003Cp>4. Dirichlet分布\u003C\u002Fp>\u003Cp>5. Laplace平滑\u003C\u002Fp>\u003Cp>6. Gibbs采样详解\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块二十二\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>LDA实践\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 网络爬虫的原理和代码实现\u003C\u002Fp>\u003Cp>2. 停止词和高频词\u003C\u002Fp>\u003Cp>3. 动手自己实现LDA\u003C\u002Fp>\u003Cp>4. LDA开源包的使用和过程分析\u003C\u002Fp>\u003Cp>5. Metropolis-Hastings算法\u003C\u002Fp>\u003Cp>6. MCMC\u003C\u002Fp>\u003Cp>7. LDA与word2vec的比较\u003C\u002Fp>\u003Cp>8. TextRank算法与实践\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块二十三\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>隐马尔科夫模型HMM\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 概率计算问题\u003C\u002Fp>\u003Cp>2. 前向\u002F后向算法\u003C\u002Fp>\u003Cp>3. HMM的参数学习\u003C\u002Fp>\u003Cp>4. Baum-Welch算法详解\u003C\u002Fp>\u003Cp>5. Viterbi算法详解\u003C\u002Fp>\u003Cp>6. 隐马尔科夫模型的应用优劣比较\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块二十四\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>HMM实践\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>1. 动手自己实现HMM用于中文分词\u003C\u002Fp>\u003Cp>2. 多个语言分词开源包的使用和过程分析\u003C\u002Fp>\u003Cp>3. 文件数据格式UFT-8、Unicode\u003C\u002Fp>\u003Cp>4. 停止词和标点符号对分词的影响\u003C\u002Fp>\u003Cp>5. 前向后向算法计算概率溢出的解决方案\u003C\u002Fp>\u003Cp>6. 发现新词和分词效果分析\u003C\u002Fp>\u003Cp>7. 高斯混合模型HMM\u003C\u002Fp>\u003Cp>8. GMM-HMM用于股票数据特征提取\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n     \u003Ctd>\u003Cp>模块二十五\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd colspan=\"2\">\u003Cp>\u003Cbr>\u003C\u002Fp>\u003C\u002Ftd>\n     \u003Ctd>\u003Cp>课堂提问与互动讨论\u003C\u002Fp>\u003C\u002Ftd>\n    \u003C\u002Ftr>\n   \u003C\u002Ftbody>\n  \u003C\u002Ftable> \n \u003C\u002Fdiv> \n  \n \u003C!--主办方介绍--> \n \u003C!--主办方介绍--> \n \u003C!--场馆介绍--> \n \u003C!--场馆介绍--> \n\u003C\u002Fdiv>\u003C\u002Fdiv>",{"descKey":55,"descValue":56},"prices","\u003Cdiv style=\"font-weight: 300; line-height: 36px; font-size: 18px;\" > \u003Cdiv class=\"new_content\"> \n \u003Cdiv class=\"con_box\"> \n  \u003Ctable border=\"1\" cellpadding=\"1\" cellspacing=\"1\" style=\"width:850px\"> \n   \u003Ctbody> \n    \u003Ctr> \n     \u003Ctd>\u003Cstrong>票种名称\u003C\u002Fstrong>\u003C\u002Ftd> \n     \u003Ctd>\u003Cstrong>价格\u003C\u002Fstrong>\u003C\u002Ftd> \n     \u003Ctd>\u003Cstrong>原价\u003C\u002Fstrong>\u003C\u002Ftd> \n     \u003Ctd>\u003Cstrong>票价说明\u003C\u002Fstrong>\u003C\u002Ftd> \n    \u003C\u002Ftr> \n    \u003Ctr> \n     \u003Ctd>会务费\u003C\u002Ftd> \n     \u003Ctd>¥7800\u003C\u002Ftd> \n     \u003Ctd>¥7800\u003C\u002Ftd> \n     \u003Ctd>7800元\u002F人（含教材、培训费、考证费以及学习用具等费用） 食宿统一安排，费用自理。\u003C\u002Ftd> \n    \u003C\u002Ftr> \n   \u003C\u002Ftbody> \n  \u003C\u002Ftable> \n \u003C\u002Fdiv> \n  \n\u003C\u002Fdiv>\u003C\u002Fdiv>",[]]