第一單元
機器學習&經(jīng)典模型


該單元介紹機器學習基本概念，發(fā)展史和經(jīng)典模型解析及其應(yīng)用。

1、機器學習簡介
（1）什么是機器學習
（2）機器學習應(yīng)用場景
（3）機器學習發(fā)展歷史；
（4）機器學習與大數(shù)據(jù)；
（5）機器學習的本質(zhì)
2、機器學習模型及其應(yīng)用實踐
（1）SVM模型；
（2）LR模型
（3）決策樹模型
（4）Word2Vec模型
（5）貝葉斯模型

第二單元
大數(shù)據(jù)與2%的世界


該單元首先詳細介紹了“大數(shù)據(jù)”如何作為一種手段讓機器變得更加智能，從而更好服務(wù)用戶，提升商業(yè)價值。

1、什么是大數(shù)據(jù)
2、大數(shù)據(jù)發(fā)展歷程
3、大數(shù)據(jù)的應(yīng)用場景
（1）傳統(tǒng)場景
（2）京東vs.蘇寧
（3）成功案例
4、大數(shù)據(jù)的變現(xiàn)實例
（1）圖書電商評論排序/跟帖排序
（2）精準關(guān)聯(lián)廣告
（3）個性化推薦case
6、大數(shù)據(jù)處理工具：云計算
7、大數(shù)據(jù)發(fā)展方向

第三單元
層次分類


該單元詳細解釋了分類算法，重要擴充了文本分類領(lǐng)域top級別的的重排序算法。

1、傳統(tǒng)（層次）分類算法
2、重排序算法
（1）假設(shè)結(jié)果生產(chǎn)
（2）最優(yōu)結(jié)果選擇
（3）正負樣本構(gòu)建
（4）重排序模型的效果及性能
3、局部漸增式排序模型

第四單元
CTR預(yù)估

根據(jù)不同場景的用戶行為，挖掘潛在有價值點擊率（CTR）信息。

第五單元
新聞個性化推薦


根據(jù)文本挖掘算法，給出了新聞的個性化推薦架構(gòu)，用戶畫像等核心技術(shù)點。

1、 分詞改進
2、 關(guān)鍵詞提取優(yōu)化
3、 深度學習訓練語義空間?
4、 語義聚類
5、 語義層次聚類
6、 用戶畫像刻畫
7、 個性化推薦