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 |
