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

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

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

第三阶段 机器学习进阶算法

1. 自适应增强算法代码
2. 线性支持向量机算法原理推导
3. 支持向量机核变换推导
4. SMO求解支持向量机
5. 随机森林算法原理
6. 使用随机森林衡量选择特征标准
7. 实例：使用随机森林改进泰坦尼克获救预测
8. 聚类算法综述
9. K-MEANS与DBSCAN算法讲解

第四阶段 机器学习实战项目

1. 特征提取
2. 预处理，归一化
3. 分类解决方案
4. 聚类解决方案
5. 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，深度学习基本原理

1、 深度学习简介
2、 深度学习成功应用
3、 深度学习与神经网络的对比
4、 深度学习的训练过程
5、 深度学习的具体模型

· 自动编码器

· 稀疏自动编码器

· 降噪自动编码器

6、 深度学习应用案例

第七阶段，深度学习模型原理解析

1、 CNN

· CNN模型的推导与实现

· CNN的反向求导及练习

· CNN应用：文本分类

· CNN 常见问题总结

2、 RNN

· RNN模型的推导与实现

· RNN的反向求导及练习

· RNN应用：个性化电影推荐

· RNN常见问题总结

3、 LSTM

· LSTM模型的推导与实现

· LSTM的反向求导及练习

· LSTM应用：文本识别

· LSTM常见问题总结

4、 DNN

· DNN模型的推导与实现

· DNN的反向求导及练习

· DNN应用：CTR预估

· DNN常见问题总结

5、 广告搜索中深度学习的应用

· 查询意图识别：CSR

· 文本相关性：Word2Vec。DSSM

· CTR预估：DNN、MxNet

· 图像理解：VGGNet、CNN

第八阶段，深度学习框架实践Tensorflow

Tensorflow框架介绍
TensorFlow和其他深度学习框架的对比
Tensorflow 架构
Tensorflow 基本使用
TensorFlow实现多层感知机
TensorFlow实现卷积神经网络
Tensorflow 实现循环神经网络
Tensorflow 实现LSTM
TensorFlow实现深度强化学习
实战：TensorFlow进行机器学习和深度学习案例实践。

第九阶段，使用 Keras 进行深度学习

Keras 简介
Keras与TensorFlow比较
Keras的模块结构
Keras 中的模型
Keras 支持的对象概念
Keras 中的数据处理
使用Keras构建深度学习模型