15.机器学习-线性回归-实现酒质量预测

本套课程用浅显易懂的语言概括机器学习的相关知识，内容多面，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。

视频目录： (编号问题请忽略，视频依次学习即可)
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-**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