人工智能初覽 
 | 
1. 人工智能基本概念 
                        2.  人工智能的核心技術(shù) 
                        3. 人工智能的應(yīng)用領(lǐng)域介紹 | 
| 初探機(jī)器學(xué)習(xí) | 
1. 機(jī)器學(xué)習(xí)要解決的問題 
                        2.  有監(jiān)督無監(jiān)督問題 
                        3. 機(jī)器學(xué)習(xí)能做什么 
                        4. 機(jī)器學(xué)習(xí)算法概覽 
                        5. 機(jī)器學(xué)習(xí)應(yīng)用案例分析 
- 特征提取
 
- 預(yù)處理,歸一化
 
- 分類解決方案
 
- 聚類解決方案
 
- 機(jī)器學(xué)習(xí)實現(xiàn)與執(zhí)行
 
- 結(jié)果分析
 
 
 | 
| Python數(shù)據(jù)分析框架概覽 | 
1. NumPy數(shù)據(jù)結(jié)構(gòu)與處理 
                        2.  Pandas數(shù)據(jù)組織與計算 
                        3. Matplotlib數(shù)據(jù)可視化 | 
| 機(jī)器學(xué)習(xí)案例實戰(zhàn)與算法解析
 ? 
 | 
| 線性回歸實現(xiàn)銷售數(shù)據(jù)預(yù)測 | 
1. 線性回歸介紹與公式推導(dǎo) 
                        2. 多變量線性歸回與梯度下降 
                        3.  數(shù)據(jù)歸一化與模型優(yōu)化 
                        4. 線性回歸預(yù)測銷售數(shù)據(jù) 
                        5. 保存模型,欠擬合與過擬合 | 
| 樸素貝葉斯實現(xiàn)文檔分類 | 
1. 概率基礎(chǔ) (聯(lián)合概率、條件概率) 
                        2.  貝葉斯定律、分類算法 
                        3. 特征工程、TF-IDF與文檔分類 
                        4. 多項分布與高斯分布 
                        5.  貝葉斯算法根據(jù)文檔關(guān)鍵字實現(xiàn)分類 | 
| 深度學(xué)習(xí)框架實踐Tensorflow | 
1、 深度學(xué)習(xí)與機(jī)器學(xué)習(xí)區(qū)別介紹 
                        2、 環(huán)境搭建、第一個案例 
                        3、  張量、變量、操作 
                        4、 會話與優(yōu)化器 
                        5、 TensorFlow流程圖與可視化 
                        6、 Tensorflow框架介紹 
                        7、  TensorFlow和其他深度學(xué)習(xí)框架的對比 
                        8、 Tensorflow 下載及安裝 
                        9、 Tensorflow 架構(gòu) 
                        10、  實戰(zhàn):Tensorflow 案例實踐 
                        11、 某業(yè)務(wù)領(lǐng)域的的機(jī)器學(xué)習(xí)于分析 | 
| DNN深度神經(jīng)網(wǎng)絡(luò)實現(xiàn)手寫體數(shù)字識別   | 
1. 線性不可分問題 
                        2. 隱藏層、輸出神經(jīng)元介紹與實現(xiàn) 
                        3.  激活函數(shù)介紹與不同激活函數(shù)區(qū)別 
                        4. 自定義DNN優(yōu)化手寫識別效率 
                        5. 采用可視化圖片顯示識別結(jié)果 
                        6.  DNN優(yōu)缺點與注意事項 
                        ? | 
| CNN圖形圖像識別案例項目 | 
1. CIFAR項目需求介紹 
                        2.  分析愛data_batch數(shù)據(jù)集 
                        3. CNN卷積神經(jīng)網(wǎng)絡(luò)介紹 
                        4. 卷積、深度、池化、步長、激活函數(shù) 
                        5.  采用CNN完成CIFAR物體分類 
                        ? | 
| 使用 Keras  進(jìn)行深度學(xué)習(xí)案例解析 | 
1、 Keras 簡介 
                        2、  Keras與TensorFlow比較 
                        3、 Keras的模塊結(jié)構(gòu) 
                        4、 Keras 中的模型 
                        5、 Keras 支持的對象概念 
                        6、  Keras 中的數(shù)據(jù)處理  
                        7、 使用Keras構(gòu)建深度學(xué)習(xí)模型 
                        8、 Keras案例實戰(zhàn)  
- 動物分類器實現(xiàn)
 
- 采用Keras實現(xiàn)非線性回歸
 
- 生成式對抗神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用
 
- 模塊結(jié)構(gòu)分析與優(yōu)化策略
 
- 深度學(xué)習(xí)總復(fù)習(xí),和前沿文獻(xiàn)介紹
 
 
 |