主题

课程安排

人工智能初览

人工智能基本概念
人工智能的核心技术
人工智能的应用领域介绍

·  自然语言处理

·  计算机视觉和图像识别

·  人脸识别项目

·  数据挖掘算法

第一阶段 初探机器学习

1. 机器学习要解决的问题
2. 有监督无监督问题
3. 机器学习能做什么
4. 感知器-线性分类
5. 线性回归原理,推导
6. 实例：预测泰坦尼克船员能否获救
7. K近邻算法原理
8. K近邻算法代码实现
9. 实例：使用K近邻算法测试约会对象

第二阶段 机器学习基础算法

1. 逻辑回归算法原理,推导
2. 逻辑回归代码实现
3. 多分类问题解决方案
4. 一对一分类,一对多分类
5. 决策树算法模型
6. 熵原理,信息增益
7. 决策树构建
8. 决策树代码实现
9. 贝叶斯算法原理
10. 贝叶斯代码实现
11. 实例1：使用贝叶斯分类器打造拼写检查器
12. 实例2：垃圾邮件分类任务

第三阶段 机器学习进阶算法

1. Adaboosting算法原理
2. Boosting机制,优势分析
3. 自适应增强算法代码实现
4. 实例：使用集成算法改进泰坦尼克号预测
5. 线性支持向量机算法原理推导
6. 支持向量机核变换推导
7. SMO求解支持向量机
8. SMO算法代码实现
9. 随机森林算法原理
10. 使用随机森林衡量选择特征标准
11. 实例：使用随机森林改进泰坦尼克获救预测
12. 聚类算法综述
13. K-MEANS与DBSCAN算法讲解

第四阶段 机器学习实战项目

1. HTTP日志流量数据分析
2. 特征提取
3. 预处理，归一化
4. 分类解决方案
5. 聚类解决方案
6. 二分图，转移矩阵原理

第五阶段 深度学习基础 

1. 人工智能深度学习历史发展及简介
2. 得分函数
3. 损失函数
4. 正则化
5. Softmax分类器原理
6. 最优化问题
7. 梯度下降
8. 反向传播

第六阶段 深度学习进阶 神经网络

1. 神经网络原理
2. 激活函数
3. 深入神经网络细节
4. 感受神经网络的强大
5. 实例：神经网络代码实现并与线性分类对比

第七阶段 深度学习核心 卷积神经网络

1. 卷积神经网络的强大
2. 卷积神经网络详解-卷积层
3. 卷积神经网络详解-池化层
4. 卷积神经网络详解-全连接层
5. 卷积效果实例

第八阶段 深度学习网络架构

1. 经典神经网络实例（ALEXNET,VGG）详解
2. RNN与LSTM记忆网络
3. 数据增强，网络设计，参数初始化
4. 级联模式网络结构分析-人脸检测算法分析
5. 序列化网络结构分析-人体姿态识别算法分析
6. 深度残差网络
7. PRISMA如何实现风格转换
8. Faster-rcnn物体检测框架原理详解

第九阶段 机器学习平台TensorFlow详解

1. TensorFlow 的应用场景
2. TensorFlow和其他深度学习框架的对比
3. TensorFlow的线性与逻辑回归
4. 使用TensorFlow实现自编码器及多层感知机
5. 使用TensorFlow实现深度神经网络DNN
6. 使用TensorFlow实现经典卷积神经网络CNN
7. 使用TensorFlow实现循环神经网络RNN
8. 使用TensorFlow实现深度强化学习
9. TensorBoard、多GPU并行及分布式并行

第十阶段 机器学习习项目实战

1.项目需求分析
2. 数据采集与整理
3. 机器学习因子提取与算法设计
4. 搭建机器学习框架
5. 开发机器学习程序
6.运行结果分析与算法优化