机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

　　l 适合零基础学大数据的初学者

　　l 想转行进入大数据行业的工作人员

　　l 已经掌握Linux服务器内核和命令

　　l 已经学习完Hadoop框架

　　l 掌握Python编程语言

　　它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。

　　01-线性回归初始

　　02-线性回归代码

　　03-贝叶斯公式

　　04-贝叶斯-拉普拉斯估计

　　04-贝叶斯-拉普拉斯估计

　　05-垃圾邮件分类

　　05-垃圾邮件分类

　　06-KNN分类算法原理+案例

　　06-KNN分类算法原理+案例

　　07-KNN-数字分类

　　07-KNN-数字分类

　　08-KMean-聚类算法

　　08-KMean-聚类算法

　　01-KMeans 数字聚类案例

　　01-KMeans 数字聚类案例

　　02-Scala - Kmeans

　　02-Scala - Kmeans

　　03-微博聚类案例01

　　04-微博聚类案例02

　　05--微博聚类代码

　　06-逻辑回归分类原理

　　07-音乐分类案例

　　08-道路预测原理

　　01-道路预测-准备数据集01

　　02-道路预测准备数据集02+训练模型+使用模型

　　03-数学公式

　　04-最大似然估计思想

　　05-逻辑回归损失函数推导

　　06-逻辑回归优化01

　　07-逻辑回归优化02

　　08-混淆矩阵+ROC曲线+AUC面积

　　01-复习

　　02-协同过滤

　　03-APP 推荐原理01

　　04-App 推荐原理02

　　05-App 推荐原理03

　　06-推荐系统架构+推荐系统数据模拟

　　07-推荐系统数据清洗

　　08-推荐系统数据清洗02

　　01-构建推荐系统训练集

　　02-Dubbo服务Demo

　　03-App推荐列表生成

　　04-决策树原理

　　05-决策树+随机森林