课程定位

以语言库、算法原理、建模评估和深度学习项目逐步衔接，通过数据与代码演示理解预处理、网络训练和实际任务应用，避免只记工具名称而脱离方法。

学习收获

• 学习Python基础语言风格及常用库使用。
• 理解经典算法原理。
• 理解机器学习算法的工作原理与应用场景。
• 学习Scikit-Learn建模与评估。
• 掌握神经网络基础知识。
• 学习卷积神经网络应用技巧与细节。
• 通过实际案例学习Caffe和Tensorflow框架的工作用法。

课程特色

• 前两日从Numpy、Pandas、Matplotlib进入线性逻辑回归、树模型、SVM、Xgboost、聚类、PCA/SVD与Word2vec，结合科比数据、泰坦尼克、信用卡、鸢尾花、Mnist和员工离职股价案例建模评估。
• 第三日研讨神经网络、卷积、强化学习与框架操作；第四日演示验证码文本分类图像风格、词向量游戏、人脸检测定位，第五日学习考核与业内交流。
• 采用算法原理与实践演示，提供数据代码；录播学习和直播答疑的开通、时间及具体服务安排以当期通知为准，模型预测及复现效果受数据与环境条件影响。

课程模块

第一天上午

• 第一模块：Python必备库快速入门
• 1.Python语言基础快速入门
• 2.科学计算库Numpy
• 3.数据分析处理库Pandas
• 4.可视化库Matplotlib
• 人工智能必备Python基础，快速掌握语言风格与常用库使用方法。

第一天下午

• 第二模块：机器学习经典算法(一)
• 1.线性回归
• 2.逻辑回归
• 3.决策树
• 4.随机森林
• 5.支持向量机

第二天上午

• 第二模块：机器学习经典算法(二)
• 6.Xgboost
• 7.聚类
• 8.神经网络
• 9.PCA与SVD
• 10.词向量模型Word2vec
• 机器学习必备经典算法原理推导,实例阐述机器学习算法工作原理与应用场景。

第二天下午

• 第三模块：机器学习案例实战
• 1.科比职业生涯数据
• 2.泰坦尼克号船员获救预测
• 3.信用卡欺诈检测
• 4.鸢尾花数据集分类
• 5.Mnist手写字体识别
• 6.员工离职与股价预测
• 基于真实数据集，使用scikit-learn库进行建模与评估工作，从零开始，代码实战。

第三天上午

• 第四模块：决胜AI深度学习必备原理
• 1.深度学习发展与应用
• 2.神经网络必备基础
• 3.神经网络架构
• 4.卷积神经网络详解
• 5.神经网络技巧与细节
• 6.强化学习原理与实践
• 从神经网络基础知识点入手，分模块讲解神经网络细节，由浅入深过渡到深层的卷积神经网络，技巧与细节分析。

第三天下午

• 第五模块：深度学习必备框架
• 1.Tensorflow基础操作
• 2.Tensorflow建立机器学习模型
• 3.Tensorflow神经网络详解
• 4.基于Tensorflow的CNN与RNN模型
• 5.Caffe框架配置参数详解
• 6.Caffe两种常用数据源制作
• 7.Caffe技巧与应用
• 深度学习两大神器Caffe与Tensorflow实战，代码示例演示如何应用框架进行深度学习建模任务。

第四天上午

• 第六模块：
• 深度学习项目实战（一）
• 1.验证码识别（基于Tensorflow）
• 2.文本分类（基于Tensorflow）
• 3.图像风格转换（基于Tensorflow）

第四天下午

• 深度学习项目实战（二）
• 4.词向量模型Word2vec（基于Tensorflow）
• 5.强化学习让AI自己玩游戏（基于Tensorflow）
• 6.人脸检测（基于Caffe）
• 7.人脸关键点定位（基于Caffe）
• 基于深度学习框架Tensorflow与Caffe从数据源制作开始进行数据预处理与网络模型训练，完整演示如何应用深度学习到实际任务中。

第五天学习考核与业内经验交流

• 第五天学习考核与业内经验交流。

师资信息

拟邀师资包括唐老师与江老师，具体人员及分工以当期正式通知为准，不代表两位共同授课。 唐老师，计算机博士，专注机器学习与计算机视觉，具有一线深度学习实践和多年数据领域培训经验，参与多个国家级计算机视觉项目，开发多套机器学习与深度学习系列课程，讲解结合实例。 江老师，解放军信息工程大学计算机硕士、人工智能专家、RedHat授权讲师，具有华为（新疆）售前工程师及甲骨文开发工程师、售前工程师背景。以上为相关讲师的历史学历、资格、项目与岗位经历。

课程咨询与报名

了解本期课程安排、师资及报名事项，请联系新中华学习网：400-061-6586，也可使用本页下方的报名咨询表。具体开课安排以正式通知为准。

温馨提示：本文内容根据课程内容整理，各模块实际讲授内容由授课老师根据学员情况灵活调整，最终以课堂授课为准。