l能够理解并掌握人工智能方面的核心技术和原理
l掌握机器学习算法
l具有TensorFlow基础编程能力
l具有图像识别基础编程能力
l具有语音识别基础编程能力
l具有机器翻译基础编程能力
l熟悉OpenCV计算机视觉技术
l熟悉自然语言处理技术
l了解强化学习技术
1.热爱编程事业；
2.了解计算机基本操作，掌握一般文字输入和处理的基础知识；
3.已经掌握了Python的编程语言
|
人工智能概述 |
||
|
章节 |
教学重点 |
案例 |
|
人工智能概述 |
1. AI的社会认知 2. 人工智能技术的发展史 3. 人工智能技术的应用方向与应用场景 4. 人工智能的发展战略 5. 人工智能现有的问题 6. 人工智能的未来 |
无 |
|
第2章 人工智能数学基础 |
||
|
章节 |
教学重点 |
案例 |
|
2.1线性代数 |
1. 矩阵 2. 线性变换 3. 特殊矩阵 4. 矩阵分解 |
代码实现矩阵，线性变换等效果 |
|
2.2概率论 |
1. 随机变量 2. 概率分布 3. 边缘概率 4. 条件概率 5. 独立性和条件独立性 6. 期望、方差和协方差 7. 常用概率分布 8. 贝叶斯规则 9. 连续型变量 10. 信息论 11. 结构化概率模型 |
概率图形化界面分析 |
|
2.3数值计算 |
1. 上溢和下溢 2. 病态条件 3. 基于梯度的优化方法 4. 约束优化 |
最小二乘法实现 |
|
第3章 机器学习 |
||
|
章节 |
教学重点 |
案例 |
|
3.1机器学习概述 |
1. 机器学习发展史 2. 机器学习的应用场景介绍 3. 机器学习现有的问题 4. 机器学习的未来前景 5. 机器学习的分类 6. 机器学习的整体流程 |
无 |
|
3.2机器学习—k近邻算法 |
1. KNN算法综述 2. 数据预处理 3. Sklearn库的使用 4. 评估方案 |
1. 电影分类 2. 约会网站匹配 3. 信用卡欺诈检测 |
|
3.3决策树构造 |
1. 决策树原理概述 2. 熵、互信息 3. ID3、C4.5、Gini算法 4. 预剪枝、后剪枝 5. 决策树构造实例 |
葡萄酒数据集的决策树 |
|
3.4支持向量机 |
1. SVM原理 2. 算法推导 3. 拉格朗日对偶函数 4. SVM中的核函数 5. SVM中的重要参数 |
1. SVM实现二分类 2. SVM进行人脸识别 |
|
3.5贝叶斯算法 |
1. 贝叶斯算法概述 2. 贝叶斯算法推导实例 3. 条件概率 4. 高斯贝叶斯 5. 多项式贝叶斯 6. 伯努利贝叶斯 7. EM算法原理 8. EM算法推导 |
1. 拼写纠错 2. 垃圾邮件过滤实例 3. 新闻分类实例 |
|
3.6线性回归算法 |
1. 算法推导与案例 2. 线性回归算法概述 3. 误差项分析 4. 梯度下降原理 5. 标准方程组 6. 似然函数求解 7. 目标函数推导 8. 线性回归求解 9. 岭回归和正则化 10. 弹性网回归 |
1. 一元线性回归实现 2. 多元线性回归实现 3. 岭回顾实现 |
|
3.7逻辑回归算法 |
1. 逻辑回归算法原理推导 2. 逻辑回归求解 3. 逻辑回归多分类解决方案 |
逻辑回归代码实现 |
|
3.8Kmeans聚类算法及DBSCAN聚类算法 |
1. Kmeans算法与*流程 2. Kmeans迭代迭代可视化展示 3. DBSCAN算法与*流程 4. DBSCAN可视化展示 5. 多种聚类算法概述 |
聚类实例 |
|
3.9降维算法 |
1. 线性判别分析 2. 线性判别求解 3. PCA主成分分析 4. PCA降维概述 5. PCA优化的目标 6. PCA求解 |
量化投资策略 |
|
3.10随机森林与集成算法 |
1. 集成算法-随机森林 2. 特征重要性衡量 3. 提升模型 4. 堆叠模型 |
集成算法代码实战与随机森林代码实战 |
|
3.11机器学习高难度算法XGBOOST |
1. XGBOOST算法概述 2. XGBOOST模型构造 3. 建模衡量标准 4. XGBOOST安装 5. 参数定义与基础模型定义 6. 树结构对结果的影响 7. 学习率与采样对结果影响 |
京东购买意向预测 |
|
3.12推荐系统 |
1. 推荐系统简介 2. 关联规则 3. 相似度计算 4. 基于用户的协同过滤 5. 基于物品的系统过滤 |
1. 信息流个性化推荐 2. 广告精准投放 |
