第

一

節

Python與TensorFlow  

1．機器學習與數據挖掘的基本概念、聯系及區別

2．機器學習和大數據、人工智能及其他學科領域的關系

3．機器學習和深度學習的關系

4．機器學習方法的分類及本課程內容

（1）有監督學習：分類、回歸

（2）無監督學習：聚類

（3）強化學習

（4）半監督學習

5．機器學習應用的一般流程

（1）對象的表示

（2）訓練/學習

（3）測試/應用

6．機器學習的典型應用案例

（1）機器學習在自然語言理解領域的應用(機器翻譯、智能問答)

（2）機器學習在多媒體處理領域的應用

(人臉識別、視頻分析)

（3）機器學習在語音處理領域的應用(語

音識別、語音合成)

（4）機器學習在網絡安全領域的應用(入

侵檢測、惡意軟件識別)

（5）機器學習在互聯網上的應用(搜索引

擎、計算廣告、推薦系統)

代碼和案例實踐：

1.卷積與(指數)移動平均線

2.股票數據分析

3.缺失數據的處理

4.環境數據異常檢測和分析

第

二

節

回歸分析

1．線性回歸

（1）回歸的基本概念

（2）線性回歸

（3）對率(Logistic)回歸

（4）嶺(Ridge)回歸

（5）Lasso 回歸

（6）Elastic Net

2．Logistic/Softmax回歸

（1）廣義線性回歸

（2）L1/L2正則化

（3）Ridge與LASSO

（4）Elastic Net

（5）梯度下降算法：BGD與SGD

（6）特征選擇與過擬合

（7）Softmax回歸的概念源頭

（8）最大熵模型

代碼和案例實踐：

1.股票數據的特征提取和應用

2.泰坦尼克號乘客缺失數據處理和存活率預測

3.環境檢測數據異常分析和預測

4.模糊數據查詢和數據校正方法

5.PCA與鳶尾花數據分類

6.二手車數據特征選擇與算法模型比較

7.廣告投入與銷售額回歸分析

8.鳶尾花數據集的分類

9.TensorFlow實現線性回歸

10.TensorFlow實現Logistic回歸

第

三

節

決策樹和隨機森林

1.熵、聯合熵、條件熵、KL散度、互信息（1）最大似然估計與最大熵模型

（2）ID3、C4.5、CART詳解

（3）決策樹的正則化

（4）預剪枝和后剪枝

（5）Bagging

（6）隨機森林

（7）不平衡數據集的處理

（8）利用隨機森林做特征選擇

（9）使用隨機森林計算樣本相似度

（10）異常值檢測

代碼和案例實踐：

1.隨機森林與特征選擇

2.決策樹應用于回歸

3.多標記的決策樹回歸

4.決策樹和隨機森林的可視化

5.葡萄酒數據集的決策樹/隨機森林分類

6.泰坦尼克乘客存活率估計

第

四

節

SVM

1.線性可分支持向量機

（1）軟間隔

（2）損失函數的理解

（3）核函數的原理和選擇

（4）SMO算法

（5）支持向量回歸SVR

（6）多分類SVM

代碼和案例實踐：

1.原始數據和特征提取

2.調用開源庫函數完成SVM

3.葡萄酒數據分類

4.數字圖像的手寫體識別

5.MNIST手寫體識別

6.SVR用于時間序列曲線預測

7.SVM、Logistic回歸、隨機森林三者的橫向比較

第

五

節

聚類算法

1.無監督學習之聚類算法

（1）聚類的基本概念

（2）聚類的評價

（3）扁平聚類及 k-Means、k-Means++算法

（4）層次聚類及 HAC 算法

（5）其他聚類算法(DBSCAN/SOM/譜聚類)

代碼和案例實踐：

 1.鳶尾花聚類分析

 2.社交網絡人群分析

 3.銀行客戶分組與畫像

第

六

節

卷積神經網絡CNN

1.神經網絡結構，濾波器，卷積

2.池化，激活函數，反向傳播

3.目標分類與識別、目標檢測與追蹤

4.AlexNet、VGGNet、GoogleLeNet

5.Inception-V3/V4

6.ResNet、DenseNet

代碼和案例實踐：

1．數字圖片分類

2．卷積核與特征提取

3．以圖搜圖

4．人證合一

5．卷積神經網絡調參經驗分享

第

七

節

圖像視頻的定位與識別

1.視頻關鍵幀處理

2.物體檢測與定位

3.RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN

4.YOLO

5.FaceNet

代碼和案例實踐：

1．遷移學習

2．人臉檢測

3．OCR字體定位和識別

4．睿客識云

5．氣象識別

第

八

節

循環神經網絡RNN

1.RNN基本原理

2.LSTM、GRU

3.Attention

4.CNN+LSTM模型

5.Bi-LSTM雙向循環神經網絡結構

6.編碼器與解碼器結構

7.特征提取：word2vec

8.Seq2seq模型

代碼和案例實踐：

1．看圖說話

2．視頻理解

3．藏頭詩生成

4．問答對話系統

5．OCR

6．循環神經網絡調參經驗分享

第

九

節

自然語言處理

1.語言模型Bi-Gram/Tri-Gram/N-Gram  7.文本分類

2.分詞              8.機器翻譯

3.詞性標注          9.文本摘要

4.依存句法分析      10.閱讀理解

5.語義關系抽取      11.問答系統情感分析

6.詞向量            12.情感分析

代碼和案例實踐：

1．輸入法設計

2．HMM分詞

3．文本摘要的生成

4．智能對話系統SeqSeq模型

5．閱讀理解的實現與Attention