1 Introduction 2 Learning to Hash Isotropic Hashing Supervised Hashing with Latent Factor Models Supervised Multimodal Hashing with SCM Multiple-Bit Quantization 3 Distributed Learning Coupled Group Lasso for Web-Scale CTR Prediction Distributed Power-Law Graph Computing 4 Stochastic Learning Distributed Stochastic ADMM

1 Introduction 2 Learning to Hash Isotropic Hashing Scalable Graph Hashing with Feature Transformation Supervised Hashing with Latent Factor Models Column Sampling based Discrete Supervised Hashing Deep Supervised Hashing with Pairwise Labels Supervised Multimodal Hashing with SCM Multiple-Bit Quantization 3 Distributed Learning Coupled Group Lasso for Web-Scale CTR Prediction Distributed Power-Law Graph Computing 4 Stochastic Learning Fast Asynchronous Parallel Stochastic Gradient Descent Distributed Stochastic ADMM for Matrix Factorization 5 Conclusion

推荐系统（Recommender System） 背景、示例与应用 推荐系统要素 常用推荐方法 基于协同过滤的推荐方法 基于内容的推荐方法 基于标签的推荐方法 基于网络的推荐方法 基于上下文的推荐方法 推荐方法测试

1、引例 2、贝叶斯概率基础 3、贝叶斯网络概述 4、贝叶斯网络的预测、诊断和训练 4.1 贝叶斯网络的预测 4.2 贝叶斯网络的诊断 4.3 贝叶斯网络的训练

了解常用的性能度量 理解常用的比较检验 理解经验误差与过拟合 掌握偏差与方差 灵活运用评估方法

1 人工神经网络发展概况 2 神经网络基本概念 3 前馈神经网络 4 其他神经网络简介 5 神经网络模式识别

一 降维概述 二 线性降维 三 非线性降维 四 降维代码实践 五 案例或论文

定义1(扩张矩阵)：已知e += 及反例矩阵NE. 对每一 j∈N, 用“死元素”*对 在NE中第j列的所有出现做代换，这 样得出的矩阵叫做正例e +在反例NE背景下的扩张矩阵。记为 EM(e+ |NE), 或简记为EM(e+ )

一 关联规则分析与算法原理 二 编程实现与案例 三 关联规则在推荐系统中的应用

一 回归类分析方法及其运用场景概述 二 回归模型的选择、正则化与降维 三 多元定性响应变量的回归模型 四 回归类分析方法在金融领域的运用