深圳AI人工智能特訓(xùn)練營培訓(xùn)班課程

標(biāo)準(zhǔn)庫，擴(kuò)展庫，運(yùn)算符，表達(dá)式，字符串、轉(zhuǎn)義字符，字符串的輸出和輸入，訪問字符串中的值，字符串內(nèi)建函數(shù)；

列表，包括列表訪問，列表運(yùn)算，深拷貝/淺拷貝，列表常用的方法；

字典，集合，條件表達(dá)式，選擇結(jié)構(gòu)，包括while循環(huán)，break語句，forin循環(huán)，range函數(shù)，continue語句；

函數(shù)參數(shù),變量作用域,lambda,生成器；類的定義,使用,數(shù)據(jù)成員,成員方法,特殊方法,運(yùn)算符重載；

numpy，包括NumPy數(shù)學(xué)函數(shù)，NumPy統(tǒng)計(jì)函數(shù)，NumPy矩陣庫(Matrix)，NumPy排序、條件刷選函數(shù)，NumPy線性代數(shù)，數(shù)組運(yùn)算，矩陣運(yùn)算，scipy，pandas，如Pandas數(shù)據(jù)結(jié)構(gòu)，Pandas數(shù)據(jù)幀（Dataframe）,Pandas面板，包括Pandas基本應(yīng)用，Pandas描述性統(tǒng)計(jì)，Pandas函數(shù)應(yīng)用，Pandas重建索引，Pandas迭代，Pandas統(tǒng)計(jì)函數(shù)；

Pandas讀取數(shù)據(jù)，scikit-learn訓(xùn)練與測試模型；

評估模型性能的指標(biāo)；交叉驗(yàn)證(把給定的數(shù)據(jù)進(jìn)行切分，將切分的數(shù)據(jù)集分為“訓(xùn)練集”和“驗(yàn)證集”（假設(shè)其中4份為train，1份為validation），在此基礎(chǔ)上循環(huán)選取進(jìn)行訓(xùn)練和驗(yàn)證。曲線判斷過欠擬合，用網(wǎng)絡(luò)搜索訓(xùn)練模型；測試NumPy、pandas技能的掌握；測試對模型評估與驗(yàn)證的理解；

分類與回歸的區(qū)別，學(xué)習(xí)使用線性回歸來做預(yù)測；

Iris經(jīng)典愛麗絲，愛麗絲進(jìn)化與文本矢量化，AI操作流程，數(shù)據(jù)切割函數(shù)，Iris愛麗絲分解，線性回歸算法，邏輯回歸算法；樸素貝葉斯原理，樸素貝葉斯算法，KNN近鄰算法，隨機(jī)森林算法，構(gòu)建垃圾郵件分類器；

決策樹算法，GBDT迭代決策樹算法，SVM向量機(jī)，SVM-cross向量機(jī)交叉算方法，神經(jīng)網(wǎng)絡(luò)算法，MLP神經(jīng)網(wǎng)絡(luò)算法，MLP_reg神經(jīng)網(wǎng)絡(luò)回歸算法，探索泰坦尼克號乘客存活模型；支持向量機(jī)以線性分離數(shù)據(jù)；

非線性可分的數(shù)據(jù)上來訓(xùn)練SVM；boosting提升傳統(tǒng)方法；Adaboost，CCPP數(shù)據(jù)集，數(shù)據(jù)集切割，讀取CCPP數(shù)據(jù)集，機(jī)器學(xué)習(xí)統(tǒng)一接口，批量調(diào)用機(jī)器學(xué)習(xí)算法，一體化調(diào)用，存儲算法模型，批量存儲算法模型，批量加載算法模型，機(jī)器組合算法；監(jiān)督學(xué)習(xí)測試題；

聚類算法，k-means對數(shù)據(jù)聚類；k-means，K均值聚類算法是先隨機(jī)選取K個(gè)對象作為初始的聚類中心。計(jì)算每個(gè)對象與各個(gè)種子聚類中心之間的距離，把每個(gè)對象分配給距離它最近的聚類中心，對電影評分聚類；

單連接聚類法、層次聚類法，通過某種相似性測度計(jì)算節(jié)點(diǎn)之間的相似性；DBSCAN，Density-basedSpatialClusteringofApplicationswithNois是一個(gè)比較有代表性的基于密度的聚類算法；高斯混合模型、高斯概率密度函數(shù)、正態(tài)分布曲線及

相關(guān)示例；

通過案例學(xué)習(xí)特征縮放；降維，PCA的原理(PCA降維原理是基于訓(xùn)練數(shù)據(jù)集X的協(xié)方差矩陣C的特征向量組成的K階矩陣U，XU得到X的k階降維矩陣Z。主要原理用的是協(xié)方差矩陣C是一個(gè)實(shí)對角矩陣的性質(zhì)和使用場景；

特征臉方法、SVM臉部識別，使用預(yù)處理來提取更有意義的特征。這里使用主成份分析來提取150個(gè)基本元素，然后將其提供給支持向量機(jī)分類器，將這個(gè)預(yù)處理和分類器打包成管道；隨機(jī)投影(隨機(jī)投影的理論依據(jù)是J-LLemma，公式的核心思想總結(jié)一句話就是：在高維歐氏空間里的點(diǎn)集映射到低維空間里相對距離得到某誤差范圍內(nèi)的保持，獨(dú)立成分分析，Lab學(xué)習(xí)應(yīng)用這些方法；非監(jiān)督學(xué)習(xí)測試題；

深度學(xué)習(xí)，這是機(jī)器學(xué)習(xí)中一種基于對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。觀測值（例如一幅圖像）可以使用多種方式來表示，如每個(gè)像素強(qiáng)度值的向量，或者更抽象地表示成一系列邊、特定形狀的區(qū)域等，而使用某些特定的表情識別，包括softmax、one-hotencoding和crossentropy感知器，與梯度下降；

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過backpropogation來訓(xùn)練網(wǎng)絡(luò)優(yōu)化神經(jīng)網(wǎng)絡(luò)，如regularization與dropout使用Keras分析IMDB電影數(shù)據(jù)；卷積神經(jīng)網(wǎng)絡(luò)原理，卷積神經(jīng)網(wǎng)絡(luò)，包括Convo-lutional，NeuralNetworks,CNN，是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，F(xiàn)eed-forward、NeuralNetwo，是深度學(xué)習(xí)（deeplearning）的代表算法之一、圖像識別、keras、

遷移學(xué)習(xí)；深度學(xué)習(xí)在癌癥（如皮膚癌）檢測，將近13萬張可用的皮膚病變圖像，覆蓋了2000多種不同的疾病類型。他們使用這一數(shù)據(jù)集創(chuàng)建了圖像庫，并將其作為原始像素提供給算法，每個(gè)像素都帶有標(biāo)簽，描述了相關(guān)疾病的附加數(shù)據(jù)。研究人員訓(xùn)練算法總結(jié)出圖像里的模式，也即發(fā)現(xiàn)疾病經(jīng)由組織傳播在外觀上所遵循的規(guī)則；

強(qiáng)化學(xué)習(xí)(reinforcementlearning)，又稱再勵(lì)學(xué)習(xí)、評價(jià)學(xué)習(xí)，是一種重要的機(jī)器學(xué)習(xí)方法，在智能控制機(jī)器人及分析預(yù)測等領(lǐng)域有許多應(yīng)用，與OpenAIGym的基礎(chǔ)；馬爾科夫決策過程策略，基于馬爾可夫過程理論的隨機(jī)動(dòng)態(tài)系統(tǒng)的優(yōu)決策過程；

馬爾可夫決策過程是序貫決策的主要研究領(lǐng)域，它是馬爾可夫過程與確定性的動(dòng)態(tài)規(guī)劃相結(jié)合的產(chǎn)物，又稱馬爾科夫型隨機(jī)動(dòng)態(tài)規(guī)劃，屬于運(yùn)籌學(xué)中的支，推到Bellman方程；

迭代策略評估、策略改進(jìn)、策略迭代和值迭代；蒙特卡洛預(yù)測，也叫蒙特卡羅（MonteCarlo）方法，又稱隨機(jī)抽樣或統(tǒng)計(jì)試驗(yàn)方法，控制方案、greedy算法、epsilon-greedy算法；Sarsa、Q-Learning、預(yù)期Sarsa；

解決OpenAIGym(OpenAIGym是一個(gè)用于開發(fā)和比較RL算法的工具包，與其他的數(shù)值計(jì)算庫兼容，如tensorflow或者theano庫?，F(xiàn)在主要支持的是python語言，以后將支持其他語言）的Taxi-v2任務(wù)；傳統(tǒng)算法適用于連續(xù)空間；深度神經(jīng)網(wǎng)絡(luò)將強(qiáng)化學(xué)習(xí)方法擴(kuò)展到復(fù)雜問題；基于策略的方法優(yōu)化優(yōu)策略；基于價(jià)值、基于策略的方法，解決具有挑戰(zhàn)性的強(qiáng)化

學(xué)習(xí)問題；強(qiáng)化學(xué)習(xí)相關(guān)的測試題；