?

1 緒論：ML與AI的回顧和簡介
2 標(biāo)簽學(xué)習(xí)
2.1 以分類、回歸的思想建模（最小化回歸誤差和最小化信息熵）
2.2 以概率的框架建模（最大化數(shù)據(jù)似然）
2.3 集成學(xué)習(xí)方法
3 結(jié)構(gòu)體建模
3.1 有向的概率圖模型
3.2 無向概率圖模型

?

1 緒論：ML與AI的回顧和簡介	務(wù)實(shí)的AI與機(jī)器學(xué)習(xí)發(fā)展歷史回顧（課程內(nèi)容總體介紹） AI的潮起潮落：弱人工智能和強(qiáng)人工智能 機(jī)器學(xué)習(xí)模型的構(gòu)成：目標(biāo)函數(shù)、優(yōu)化、推理預(yù)測 機(jī)器學(xué)習(xí)模型的分類：監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí) 機(jī)器學(xué)習(xí)研究的新趨勢：從標(biāo)簽學(xué)習(xí)到結(jié)構(gòu)體學(xué)習(xí)模型
2 標(biāo)簽學(xué)習(xí)	介紹的機(jī)器學(xué)習(xí)模型包括：決策樹、回歸樹、GBRT、Logistic Regression、集成方法
2.1 以分類、回歸的思想建模（最小化回歸誤差和最小化信息熵）	決策樹：信息熵 回歸樹 Gradient Boosting Regression Tree：在工業(yè)界的廣發(fā)應(yīng)用與特征工程 核心講授思想：從優(yōu)化的觀點(diǎn)出發(fā)，講解樹生成的貪心算法
2.2 以概率的框架建模（最大化數(shù)據(jù)似然）	復(fù)習(xí)概率論基本知識：sum rule, product rule Logistic Regression：從二分類到多分類的Softmax 樸素貝葉斯 核心講授思想：講授最大化似然的優(yōu)化目標(biāo)、梯度下降的優(yōu)化方法、和模型預(yù)測方法 ?
2.3 集成學(xué)習(xí)方法	Bagging、Random Forest、Adaboost 核心講授思想：集成學(xué)習(xí)核心思想，特別介紹Adaboost算法在理論上的性能保障
3 結(jié)構(gòu)體建模	主要講授：概率圖模型與EM算法
3.1 有向的概率圖模型	有向概率圖模型：基本知識（全概率公式的表達(dá)與模型條件獨(dú)立假設(shè)的等價(jià)關(guān)系） 經(jīng)典有向概率圖的具體模型： 樸素貝葉斯的概率圖模型 矩陣分解的協(xié)同過濾方法：Probabilistic Matrix Factorization（順帶講解協(xié)同過濾的其它方法） 概率圖模型設(shè)計(jì)的方法論 引入隱變量的有向圖概率圖模型 主題模型：PLSA 混合高斯模型（無監(jiān)督聚類） EM算法細(xì)節(jié)：對引入隱向量的結(jié)構(gòu)體的建模 核心講授思想：講授有向的概率圖模型的基本知識和經(jīng)典模型實(shí)例；講授引入隱變量到概率圖模型的目的，和該情況下的優(yōu)化方法（EM算法） ?
3.2 無向概率圖模型	無向的概率圖模型：基本知識（全概率公式的表達(dá)與模型條件獨(dú)立假設(shè)的等價(jià)關(guān)系） 經(jīng)典無向概率圖的具體模型：條件隨機(jī)場（Viterbi算法） 核心講授思想：講授無向的概率圖模型的基本知識和經(jīng)典模型實(shí)例 ?
4 結(jié)構(gòu)體預(yù)測	主要講授：深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)方法
4.1 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)	神經(jīng)網(wǎng)絡(luò)概述 全連接前饋神經(jīng)網(wǎng)絡(luò)：模型優(yōu)化的BP算法（隨機(jī)梯度下降、梯度消失） PLSA的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)方法 核心講授思想：神經(jīng)網(wǎng)絡(luò)是對從輸入到輸出的計(jì)算流程可視化，同時(shí)便于反向求導(dǎo)等運(yùn)算
4.2 Theano編程	編程介紹、調(diào)試、Theano背后的設(shè)計(jì)思想 核心講授思想：以Theano下的全連接前饋神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)為例，講解Theano的神經(jīng)網(wǎng)絡(luò)編程
4.3 卷積神經(jīng)網(wǎng)絡(luò)	卷積神經(jīng)網(wǎng)絡(luò)原理：BP算法在卷積神經(jīng)網(wǎng)絡(luò)下的推導(dǎo) 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用：基本應(yīng)用、圖像虛幻化的應(yīng)用
4.4 循環(huán)神經(jīng)網(wǎng)絡(luò)	循環(huán)神經(jīng)網(wǎng)絡(luò)原理：BP算法在循環(huán)神經(jīng)網(wǎng)絡(luò)下的推導(dǎo) 循環(huán)神經(jīng)網(wǎng)絡(luò)基本應(yīng)用：序列標(biāo)注、語言建模 循環(huán)神經(jīng)網(wǎng)絡(luò)高級應(yīng)用：機(jī)器翻譯、對話生成 核心講授思想：機(jī)器學(xué)習(xí)從特征工程邁向網(wǎng)絡(luò)設(shè)計(jì)
5 前沿研究與實(shí)際案例
5.1 機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)一	閑聊機(jī)器人構(gòu)建：生成式模型的研究前沿 對話的多機(jī)理建模 自頂向下的樹結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)生成 結(jié)構(gòu)體預(yù)測的Adaboost方法（與對抗神經(jīng)網(wǎng)絡(luò)的結(jié)合）
5.2 機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)二	線上行為在線下營銷智能化中的建模實(shí)踐
5.3 大數(shù)據(jù)應(yīng)用案例實(shí)戰(zhàn)	打擊證券交易市場“老鼠倉”

?