├── 黑马人工智能与数据挖掘课程目录
├── 阶段一：人工智能与机器学习
│ ├── 01：机器学习概述
│ │ ├── 人工智能概述、发展历程、主要分支、机器学习工作流程与模型评估
│ │ ├── Azure机器学习平台实验与深度学习简介
│ │ └── …
│ ├── 02：环境安装和使用
│ │ ├── 基础环境安装、Jupyter Notebook与Matplotlib基本使用
│ │ └── …
│ ├── 03：Matplotlib数据可视化
│ │ ├── 基础绘图、辅助功能、多坐标系与常见图形绘制
│ │ └── …
│ ├── 04：NumPy科学计算
│ │ ├── ndarray、数组创建、随机数组、数组运算与矩阵基础
│ │ └── …
│ ├── 05：Pandas数据分析
│ │ ├── Series、DataFrame、索引、统计函数、文件读写与绘图
│ │ ├── 缺失值、离散化、表合并、透视表、分组聚合及数据分析案例
│ │ └── …
│ ├── 06：Seaborn统计可视化
│ │ ├── 单变量、双变量、分类数据绘图及NBA、北京租房案例
│ │ └── …
│ ├── 07：K近邻算法
│ │ ├── KNN、距离度量、KD树、数据集处理与特征预处理
│ │ ├── 交叉验证、网格搜索、鸢尾花分类与Facebook位置预测
│ │ └── …
│ ├── 08：线性回归
│ │ ├── 损失函数、正规方程、梯度下降、正则化与岭回归
│ │ ├── 欠拟合、过拟合、房价预测及模型保存与加载
│ │ └── …
│ ├── 09：逻辑回归
│ │ ├── 逻辑回归、分类评估、ROC曲线、采样方法与肿瘤预测
│ │ └── …
│ ├── 10：决策树
│ │ ├── 熵、信息增益、基尼指数、CART剪枝与回归决策树
│ │ ├── 文本特征、TF-IDF及泰坦尼克号生存预测
│ │ └── …
│ ├── 11：集成学习
│ │ ├── Bagging、随机森林、Boosting、GBDT及Otto分类案例
│ │ └── …
│ ├── 12：聚类算法
│ │ ├── 聚类流程、模型评估、PCA降维与用户偏好细分案例
│ │ └── …
│ ├── 13：朴素贝叶斯
│ │ ├── 概率基础、朴素贝叶斯原理、计算过程与分类案例
│ │ └── …
│ ├── 14：SVM支持向量机
│ │ ├── 目标函数、损失函数、核方法、SVM回归与数字识别案例
│ │ └── …
│ ├── 15：EM算法
│ │ ├── EM算法原理、推导与实例
│ │ └── …
│ ├── 16：HMM隐马尔可夫模型
│ │ ├── 马尔科夫链、前向后向、维特比与鲍姆-韦尔奇算法
│ │ ├── HMM API及案例实现
│ │ └── …
│ ├── 17：集成学习进阶
│ │ ├── XGBoost、LightGBM原理、API、模型训练与调优
│ │ ├── Otto分类与绝地求生数据预测案例
│ │ └── …
├── 阶段二：Spark数据挖掘
│ ├── 01：Spark MLlib机器学习理论基础
│ │ ├── 机器学习与大数据、数据挖掘、数据集及模型构建流程
│ │ └── …
│ ├── 02：Spark MLlib架构与基础数据类型
│ │ ├── RDD、DataFrame、Dataset、向量、矩阵、LibSVM与统计分析
│ │ └── …
│ ├── 03：Spark MLlib特征工程
│ │ ├── Word2Vec、TF-IDF、PCA、One-Hot、分箱与特征选择
│ │ ├── Iris数据统计与特征工程实践
│ │ └── …
│ ├── 04：Spark MLlib决策树
│ │ ├── 信息熵、ID3、C4.5、CART、剪枝及多数据集建模案例
│ │ └── …
│ ├── 05：Pipeline与线性回归
│ │ ├── Pipeline、参数设置、交叉验证、网格搜索与模型选择
│ │ ├── 线性回归及房价、脂肪数据、运输时间预测
│ │ └── …
│ ├── 06：Spark MLlib聚类算法
│ │ ├── K-Means、DBSCAN、层次聚类、GMM与LDA主题提取
│ │ ├── Iris、药品及经纬度数据聚类案例
│ │ └── …
│ ├── 07：Spark GraphX图计算
│ │ ├── 图结构、顶点与边、图查询、转换、聚合及社交网络分析
│ │ └── …
│ ├── 08：Spark GraphX综合实战
│ │ ├── PageRank、广度优先遍历、最短路径与连通图
│ │ ├── 三角关系网络与SVD++推荐算法
│ │ └── …
│ └── …
