第二節(jié)：回歸算法

1.一元線性回歸    

2.代價(jià)函數(shù) 

3.梯度下降法    

4.sklearn一元線性回歸應(yīng)用

5.多元線性回歸  

6.sklearn多元線性回歸應(yīng)用

案例：葡萄酒質(zhì)量和時(shí)間的關(guān)系

第三節(jié)：KNN分類算法

1.KNN分類算法介紹 

2.KNN分類算法應(yīng)用   

3.KNN實(shí)現(xiàn)

案例：鳶尾花分類

第四節(jié)：決策樹算法

1.決策樹算法介紹

2.熵的定義

3.決策樹算法與應(yīng)用實(shí)現(xiàn)

案例：用戶購買行為預(yù)測

第五節(jié)：集成算法與隨機(jī)森林

1.Bagging算法介紹

2.隨機(jī)森林建模方法

3.Adaboost算法介紹

4.Stacking算法介紹

5.Voting算法介紹

第六節(jié)：K-means聚類算法

1.K-means算法介紹 

2.K-means算法應(yīng)用

3.K-means算法實(shí)際應(yīng)用案例

案例：NBA球隊(duì)實(shí)力聚類分析

第七節(jié)：支持向量機(jī)

1.SVM算法介紹

案例：SVM完成人臉識別應(yīng)用

第八節(jié)：特征工程項(xiàng)目-銀行

用戶違約預(yù)測

1.數(shù)據(jù)缺失處理

2.特征篩選方法

3.特征工程

4.數(shù)據(jù)不平衡問題處理

5.算法選擇

6.結(jié)果評估

第九節(jié)：深度學(xué)習(xí)基礎(chǔ)-

神經(jīng)網(wǎng)絡(luò)介紹

1.人工神經(jīng)網(wǎng)絡(luò)發(fā)展史

2.單層感知器

3.激活函數(shù)，損失函數(shù)和梯度下降法

4.BP算法介紹

案例：BP算法解決手寫數(shù)字識別問題

第十節(jié)：Tensorflow基礎(chǔ)應(yīng)用

1.Mnist數(shù)據(jù)集合Softmax講解

2.使用BP神經(jīng)網(wǎng)絡(luò)搭建手寫數(shù)字識別

3.交叉熵(cross-entropy)講解和使用

4.過擬合,正則化,Dropout

5.各種優(yōu)化器Optimizer

第十一節(jié)：卷積神經(jīng)網(wǎng)絡(luò)CNN應(yīng)用

1.CNN卷積神經(jīng)網(wǎng)絡(luò)

2.卷積層、池化層（均值池化、最大池化）

3.CNN手寫數(shù)字案例

第十二節(jié)：長短時(shí)記憶網(wǎng)絡(luò)

LSTM應(yīng)用

1.RNN循環(huán)神經(jīng)網(wǎng)絡(luò)

2.長短時(shí)記憶網(wǎng)絡(luò)LSTM

3.LSTM應(yīng)用案例

第十三節(jié)：常用卷積網(wǎng)絡(luò)模型介紹

1.  AlexNet模型介紹

2.  VGG模型介紹

3.  Inception模型介紹

4.ResNet模型介紹

第十四節(jié)：用自己的數(shù)據(jù)來訓(xùn)練一個(gè)新的圖像識別模型

1.數(shù)據(jù)準(zhǔn)備

2.數(shù)據(jù)增強(qiáng)

3.模型搭建

4.模型訓(xùn)練

5.結(jié)果測試

第十五節(jié)：目標(biāo)檢測模型介紹

1.目標(biāo)檢測項(xiàng)目介紹

2.R-CNN模型介紹

3.SPPNET模型介紹

4.Fast-RCNN模型介紹

5.Faster-RCNN模型介紹

6.SSD模型介紹

7.yolo-v1模型介紹

8.yolo-v2模型介紹

9.yolo-v3模型介紹

第十六節(jié)：目標(biāo)檢測模型實(shí)戰(zhàn)

1.項(xiàng)目安裝配置環(huán)境

2.準(zhǔn)備數(shù)據(jù)集

3.使用訓(xùn)練好的目標(biāo)檢測模型進(jìn)行預(yù)測

4.用自己的數(shù)據(jù)訓(xùn)練新的目標(biāo)檢測模型

第十七節(jié)：自然語言處理技術(shù)介紹

1. word2vec介紹

2.Transformer模型介紹

3.Self-Attention機(jī)制介紹

4.多頭注意力機(jī)制介紹

5..Bert模型介紹

6.GPT-3模型介紹

第十八節(jié)：自然語言處理項(xiàng)目實(shí)戰(zhàn)

1.用CNN訓(xùn)練一個(gè)新的文本分類模型

2.用LSTM訓(xùn)練一個(gè)新的文本分類模型

3.用Bert訓(xùn)練一個(gè)新的文本分類模型

課后輔助：

1.針對學(xué)員面對的問題進(jìn)行討論，提出建議

2.建立微信群（課后技術(shù)免費(fèi)指導(dǎo)）

3.上課ppt資料都發(fā)到群里面