本章将和大家介绍课程目标与内容概要，和大家分享人工智能的核心概念：人工智能定义、主要方法、现状。我们会完成开发环境的搭建及工具的学习、使用，具体工具包括：python、anaconda、jupyter notebook、pandas、numpy、matplotlib。1-1 课程导学 (19:43)1-2 内容快速概览 (21:48)1-3 人工智能介绍 (19:33)1-4 环境及工具包介绍 (17:38)1-5 环境配置及Python语法实操 (22:51)1-6 Pandas、Numpy、Matplotlib实操 (23:21)
第2章 机器学习之线性回归本章将给大家讲解机器学习及线性回归。机器学习部分会涵盖应用场景与概念的介绍、三大学习方法（监督、无监督、强化学习）的对比。线性回归部分则包含回归分析案例、线性回归模型、模型求解，及建立模型实现房价预测的实战。本章还会教大家完成sklearn的配置。...2-1 机器学习介绍 (17:42)2-2 线性回归 (25:47)2-3 线性回归实战准备 (13:34)2-4 单因子线性回归实战 (17:18)2-5 多因子线性回归实战 (25:29)2-6 【讨论题】关于房价预测得思考
第3章 机器学习之逻辑回归本章将围绕分类问题及逻辑回归技术进行讲解，通过案例介绍、及与回归问题的对比，让大家理解分类模型。本章会和大家介绍sigmoid方程，并分享逻辑回归模型的求解过程。实战案例包含：考试通过预测（线性边界分类）、芯片质量预测（非线性分类）...3-1 分类问题介绍 (16:40)3-2 逻辑回归（1） (14:54)3-3 逻辑回归（2） (14:30)3-4 实战准备 (13:31)3-5 考试通过实战（一） (19:49)3-6 考试通过实战（二） (16:01)3-7 芯片检测实战 (16:30)3-8 【学习任务】商业异常消费数据预测3-9 【讨论】关于分类模型搭建得思考
第4章 机器学习之聚类本章会学习不需要标签数据的无监督学习及其最常用的聚类分析方法。针对聚类问题，我们会学习KMeans、Meanshift、DBSCAN算法，并且将其与监督学习的KNN算法进行对比。实战案例将建立多个模型完成数据簇的划分。4-1 无监督学习 (18:37)4-2 Kmeans-KNN-Meanshift (19:01)4-3 实战准备 (09:19)4-4 Kmeans实战（1） (12:34)4-5 Kmeans实战（2） (11:31)4-6 KNN-Meanshift (16:51)4-7 【学习任务】KMeans实现数据聚类4-8 【讨论题】关于无监督学习得思考
第5章 机器学习其他常用技术本章将和大家讲解三个常用技术：逻辑回归、异常检测、PCA主成分分析，针对每个技术都会介绍核心概念及原理。本章还会向大家介绍iris鸢尾花经典数据集，并针对三项技术分别进行实战讲解。本章还会教大家完成keras的配置。5-1 决策树（1） (13:22)5-2 决策树（2） (14:48)5-3 异常检测 (15:36)5-4 主成分分析 (17:18)5-5 实战准备 (22:19)5-6 实战（1） (17:06)5-7 实战（2） (14:49)5-8 实战（3） (23:32)5-9 【学习任务】决策树判断员工是否适合相关工作5-10 【讨论题】关于分类问题得思考
第6章 模型评价与优化本章会和大家分享模型优化过程中遇到的常见问题及其解决办法，帮助大家理解欠拟合与过拟合问题、数据分离技术、混淆矩阵及常用的数据预处理技术。实战案例将综合各项技术完成模型的选择与优化。6-1 过拟合与欠拟合 (18:37)6-2 数据分离与混淆矩阵 (21:37)6-3 模型优化 (21:09)6-4 实战准备 (13:43)6-5 实战（一） (24:53)6-6 实战（二） (15:05)6-7 实战（三） (24:20)6-8 【讨论题】关于分类任务得思考
第7章 深度学习之多层感知器本章将进入深度学习部分，实现逻辑回归模型到神经网络结构的过度，并通过实际案例帮助大家理解MLP实现非线性分类与多分类的原理。实战部分将介绍mnist手写数字经典数据集，并实现图像数字识别。7-1 多层感知器(MLP) (18:18)7-2 MLP实现非线性分类 (19:45)7-3 实战准备 (18:57)7-4 实战（一） (23:24)7-5 实战（二） (18:46)7-6 【学习任务】Fashion_mnist服饰分类7-7 【讨论题】逻辑回归模型与神经网络模型的关系
第8章 深度学习之卷积神经网络本章将基于普通的MLP结构，结合图像卷积、池化和填充技术，向大家介绍擅长于解决图像问题的卷积神经网络。我们还会学习经典的CNN模型：LeNet、AlexNet、VGG16。实战部分将完成猫狗图像分类，并教大家如何利用经典VGG16模型快速搭建新模型。...8-1 卷积神经网络（一） (30:03)8-2 卷积神经网络（二） (26:16)8-3 实战准备 (15:18)8-4 实战（一） (24:17)8-5 实战（二） (26:20)8-6 【讨论题】基础的CNN模型设计
第9章 深度学习之循环神经网络本章将围绕序列数据处理展开讲解，透过语言序列分析案例和大家介绍循环神经网络模型，并基于基本的RNN模型分析不同的RNN结构，包括长短期记忆网络LSTM、双向循环神经网络与深层循环神经网络。实战部分会建立RNN模型完成股价预测、搭建LSTM模型实现文本生成。...9-1 序列数据案例 (11:41)9-2 循环神经网络RNN (16:06)9-3 不同类型的RNN模型 (17:36)9-4 实战准备 (15:25)9-5 实战（一）RNN股价预测 (20:49)9-6 实战（二）RNN股价预测 (12:40)9-7 实战（一）LSTM实现文本生成 (22:08)9-8 实战（二）LSTM实现文本生成 (09:00)9-9 【学习任务】贵州茅台股价预测9-10 【讨论题】关于股票预测得思考
第10章 迁移混合模型本章将带大家认识迁移学习方法，并完成模型的迁移训练；还会和大家介绍混合学习模型，包括监督+无监督学习、机器学习+深度学习。实战案例将通过搭建一个无标签的异常苹果检测模型，教大家综合多项技术解决问题，并熟悉混合模型的建立方法与结构。...10-1 迁移学习（一） (12:59)10-2 迁移学习（二） (08:48)10-3 在线学习 (07:41)10-4 混合模型1 (15:09)10-5 混合模型2 (13:25)10-6 实战准备（一） (14:36)10-7 实战准备（二） (14:05)10-8 基于新数据的迁移学习实战 (24:05)10-9 机器+深度学习实现少样本苹果分类（一） (25:10)10-10 机器+深度学习实现少样本苹果分类（二） (16:23)10-11 机器+深度学习实现少样本苹果分类（三） (17:10)10-12 机器+深度学习实现少样本苹果分类（四） (13:23)
第11章 课程总结本章将对本门课程进行总结，帮助大家梳理课程核心知识点，建立知识体系。11-1 课程总结（一） (19:52)11-2 课程总结（二） (15:41)11-3 课程总结（三） (23:16)
客服微信
