时间

大章节

小章节

第一天

一、人工智能与机器学习基础

1.人工智能概述  

2.机器学习概述

3.机器学习算法应用分析

二、python基础学习

1.print使用         2.运算符和变量

3.循环               4.列表元组字典

5.if条件            6.函数

7.模块               8.类的使用

9.input用法         10.文件读写

11.异常处理

三、.科学计算包numpy使用学习

1.numpy的属性

2.创建array

3.numpy的运算

4:随机数生成以及矩阵的运算

5.numpy的索引

6.array合并

7.array分割

四、绘图工具包matplotlib学习

1.基础用法

2.figure图像

3.设置坐标轴

4.legend图例

5.scatter散点图

五、回归算法

1.一元线性回归     

2.代价函数  

3.梯度下降法     

4.sklearn一元线性回归应用

5.多元线性回归   6.sklearn多元线性回归应用

案例：葡萄酒质量和时间的关系

六、KNN分类算法

1.KNN分类算法介绍   

2.KNN分类算法应用    

3.KNN实现

案例：鸢尾花分类

七、决策树算法

1.决策树算法介绍

2.熵的定义

3.决策树算法与应用实现

案例：用户购买行为预测

第二天

八、K-means聚类算法

1.K-means算法介绍  

2.K-means算法应用

3.K-means算法实际应用案例

案例：NBA球队实力聚类分析

九、集成算法与随机森林

1.Bagging算法介绍

2.随机森林建模方法

3.Adaboost算法介绍

4.Stacking算法介绍

5.Voting算法介绍

十、特征工程项目-银行用户违约预测

1.数据缺失处理

2.特征筛选方法

3.特征工程

4.数据不平衡问题处理

5.算法选择

6.结果评估

十一、深度学习基础-神经网络介绍

1.人工神经网络发展史

2.单层感知器

3.激活函数，损失函数和梯度下降法

4.BP算法介绍

案例：BP算法解决手写数字识别问题

十二、Tensorflow基础应用

1.Mnist数据集合Softmax讲解

2.使用BP神经网络搭建手写数字识别

3.交叉熵(cross-entropy)讲解和使用

4.过拟合,正则化,Dropout

5.各种优化器Optimizer

第三天

十三、卷积神经网络CNN应用

1.CNN卷积神经网络

2.卷积层、池化层（均值池化、最大池化）

3.CNN手写数字案例

十四、长短时记忆网络LSTM应用

1.RNN循环神经网络

2.长短时记忆网络LSTM

3.LSTM应用案例

十五、用自己的数据来训练一个新的图像识别模型

1.数据准备

2.数据增强

3.模型搭建

4.模型训练

5.结果测试

十六、自然语言处理技术介绍

1. word2vec介绍

2.Transformer模型介绍

3.Self-Attention机制介绍

4.多头注意力机制介绍

5..Bert模型介绍

6.GPT-3模型介绍

十七、自然语言处理项目实战

1.用CNN训练一个新的文本分类模型

2.用LSTM训练一个新的文本分类模型

3.用Bert训练一个新的文本分类模型

十八、目标检测模型介绍

1.目标检测项目介绍

2.R-CNN模型介绍

3.SPPNET模型介绍

4.Fast-RCNN模型介绍

5.Faster-RCNN模型介绍

十九、目标检测模型实战

1.项目安装配置环境

2.准备数据集

3.使用训练好的目标检测模型进行预测

4.用自己的数据训练新的目标检测模型

二十、辅助课程

1、详针对性解决学员疑难问题进行答疑讨论

2、搭建长期学习平台及技术指导（建立微群交流）