?

• 初探機(jī)器學(xué)習(xí)
• 機(jī)器學(xué)習(xí)基礎(chǔ)算法
• 機(jī)器學(xué)習(xí)進(jìn)階算法
• 機(jī)器學(xué)習(xí)實(shí)戰(zhàn)項(xiàng)目
• 深度學(xué)習(xí)基礎(chǔ)
• 深度學(xué)習(xí)進(jìn)階 神經(jīng)網(wǎng)絡(luò)
• 深度學(xué)習(xí)核心 卷積神經(jīng)網(wǎng)絡(luò)
• 深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)
• 機(jī)器學(xué)習(xí)平臺(tái)TensorFlow詳解
• 機(jī)器學(xué)習(xí)項(xiàng)目全周期實(shí)戰(zhàn)
• ?

• 主題	課程安排
  人工智能初覽	人工智能基本概念 人工智能的核心技術(shù) 人工智能的應(yīng)用領(lǐng)域介紹 自然語(yǔ)言處理 計(jì)算機(jī)視覺(jué)和圖像識(shí)別 人臉識(shí)別項(xiàng)目 數(shù)據(jù)挖掘算法
  第一階段 初探機(jī)器學(xué)習(xí)	1. 機(jī)器學(xué)習(xí)要解決的問(wèn)題 2. 有監(jiān)督無(wú)監(jiān)督問(wèn)題 3. 機(jī)器學(xué)習(xí)能做什么 4. 感知器-線性分類 5. 線性回歸原理,推導(dǎo) 6. 實(shí)例：預(yù)測(cè)泰坦尼克船員能否獲救 7. K近鄰算法原理 8. K近鄰算法代碼實(shí)現(xiàn) 9. 實(shí)例：使用K近鄰算法測(cè)試約會(huì)對(duì)象
  第二階段 機(jī)器學(xué)習(xí)基礎(chǔ)算法	1. 邏輯回歸算法原理,推導(dǎo) 2. 邏輯回歸代碼實(shí)現(xiàn) 3. 多分類問(wèn)題解決方案 4. 一對(duì)一分類,一對(duì)多分類 5. 決策樹算法模型 6. 熵原理,信息增益 7. 決策樹構(gòu)建 8. 決策樹代碼實(shí)現(xiàn) 9. 貝葉斯算法原理 10. 貝葉斯代碼實(shí)現(xiàn) 11. 實(shí)例1：使用貝葉斯分類器打造拼寫檢查器 12. 實(shí)例2：垃圾郵件分類任務(wù) ? ?
  第三階段 機(jī)器學(xué)習(xí)進(jìn)階算法	1. Adaboosting算法原理 2. Boosting機(jī)制,優(yōu)勢(shì)分析 3. 自適應(yīng)增強(qiáng)算法代碼實(shí)現(xiàn) 4. 實(shí)例：使用集成算法改進(jìn)泰坦尼克號(hào)預(yù)測(cè) 5. 線性支持向量機(jī)算法原理推導(dǎo) 6. 支持向量機(jī)核變換推導(dǎo) 7. SMO求解支持向量機(jī) 8. SMO算法代碼實(shí)現(xiàn) 9. 隨機(jī)森林算法原理 10. 使用隨機(jī)森林衡量選擇特征標(biāo)準(zhǔn) 11. 實(shí)例：使用隨機(jī)森林改進(jìn)泰坦尼克獲救預(yù)測(cè) 12. 聚類算法綜述 13. K-MEANS與DBSCAN算法講解
  第四階段 機(jī)器學(xué)習(xí)實(shí)戰(zhàn)項(xiàng)目	1. HTTP日志流量數(shù)據(jù)分析 2. 特征提取 3. 預(yù)處理，歸一化 4. 分類解決方案 5. 聚類解決方案 6. 二分圖，轉(zhuǎn)移矩陣原理
  第五階段 深度學(xué)習(xí)基礎(chǔ)	1. 人工智能深度學(xué)習(xí)歷史發(fā)展及簡(jiǎn)介 2. 得分函數(shù) 3. 損失函數(shù) 4. 正則化 5. Softmax分類器原理 6. 最優(yōu)化問(wèn)題 7. 梯度下降 8. 反向傳播
  第六階段 深度學(xué)習(xí)進(jìn)階 神經(jīng)網(wǎng)絡(luò)	1. 神經(jīng)網(wǎng)絡(luò)原理 2. 激活函數(shù) 3. 深入神經(jīng)網(wǎng)絡(luò)細(xì)節(jié) 4. 感受神經(jīng)網(wǎng)絡(luò)的強(qiáng)大 5. 實(shí)例：神經(jīng)網(wǎng)絡(luò)代碼實(shí)現(xiàn)并與線性分類對(duì)比 ?
  第七階段 深度學(xué)習(xí)核心 卷積神經(jīng)網(wǎng)絡(luò)	1. 卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大 2. 卷積神經(jīng)網(wǎng)絡(luò)詳解-卷積層 3. 卷積神經(jīng)網(wǎng)絡(luò)詳解-池化層 4. 卷積神經(jīng)網(wǎng)絡(luò)詳解-全連接層 5. 卷積效果實(shí)例
  第八階段 深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)	1. 經(jīng)典神經(jīng)網(wǎng)絡(luò)實(shí)例（ALEXNET,VGG）詳解 2. RNN與LSTM記憶網(wǎng)絡(luò) 3. 數(shù)據(jù)增強(qiáng)，網(wǎng)絡(luò)設(shè)計(jì)，參數(shù)初始化 4. 級(jí)聯(lián)模式網(wǎng)絡(luò)結(jié)構(gòu)分析-人臉檢測(cè)算法分析 5. 序列化網(wǎng)絡(luò)結(jié)構(gòu)分析-人體姿態(tài)識(shí)別算法分析 6. 深度殘差網(wǎng)絡(luò) 7. PRISMA如何實(shí)現(xiàn)風(fēng)格轉(zhuǎn)換 8. Faster-rcnn物體檢測(cè)框架原理詳解
  第九階段 機(jī)器學(xué)習(xí)平臺(tái)TensorFlow詳解	1. TensorFlow 的應(yīng)用場(chǎng)景 2. TensorFlow和其他深度學(xué)習(xí)框架的對(duì)比 3. TensorFlow的線性與邏輯回歸 4. 使用TensorFlow實(shí)現(xiàn)自編碼器及多層感知機(jī) 5. 使用TensorFlow實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)DNN 6. 使用TensorFlow實(shí)現(xiàn)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)CNN 7. 使用TensorFlow實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)RNN 8. 使用TensorFlow實(shí)現(xiàn)深度強(qiáng)化學(xué)習(xí) 9. TensorBoard、多GPU并行及分布式并行
  第十階段 機(jī)器學(xué)習(xí)習(xí)項(xiàng)目實(shí)戰(zhàn)	1.項(xiàng)目需求分析 2. 數(shù)據(jù)采集與整理 3. 機(jī)器學(xué)習(xí)因子提取與算法設(shè)計(jì) 4. 搭建機(jī)器學(xué)習(xí)框架 5. 開發(fā)機(jī)器學(xué)習(xí)程序 6.運(yùn)行結(jié)果分析與算法優(yōu)化

  ?