1.数学基础

1.1数学基础简介

2.Python基础

2.1python简介与常用类库简介

3.机器学习

3.1机器学习概述

l 什么是机器学习

l 机器学习的基本概念

l 监督学习、非监督学习、强化学习

3.2.决策树

l 决策树的基本描述

l 决策树的特征选择1

l 决策树的特征选择2

l 决策树的构建

l 离散化、缺失值、剪枝和优缺点分析

3.3.朴素贝叶斯

l 先验概率-条件概率

l 全概率公式-后验概率

l 数学表示、算法流程及优缺点

3.4支持向量机

l 支持向量机

l SVM最优化问题的数学推导

l 拉格朗日乘数法

l 凸优化问题

l 拉格朗日对偶问题

l SVM最优化问题的计算

l 软间隔，核函数，SVM有优缺点分析

3.5 无监督学习

l 聚类算法K-Means

l 降维

4.深度学习

4.1深度学习概述

l 人工智能及其发展历程

l 机器学习与深度学习介绍

4.2深度神经网络

l 神经元

l 深度学习系统

l 全链接网络

l 深度学习三部曲概述

l 正向传播1-参数

l 正向传播2-激活函数

l 正向传播-示例

l 损失函数

l 反向传播

l 梯度下降

l 梯度下降的三种方法

l 深度前馈神经网络总结

4.3卷积神经网络

l 一维卷积运算

l 二维卷积运算

l 二维多通道卷积运算

l 常见的视觉任务

l 使用卷积神经网络的原因和效果

l 使用卷积操作提取特征

l 卷积核的分析与计算

l 池化操作

4.4循环神经网络

l 前导知识

l 循环神经网络按照时刻序列接受数据

l 循环神经网络的内部构造

l 经典循环神经网络_LSTM_GRU

4.5 深度生成模型

l 玻尔兹曼机、深度信念网络

l 有向生成网络、生成随机网络

5.深度学习平台实战

5.1飞桨平台介绍

l 深度学习框架的意义

l 飞桨平台介绍

l 飞桨语法入门

5.2项目实战之房价预测

l 房价预测

l 模型设计，训练配置

l 模型训练

l 模型保存，预测

5.3项目实战之手写数字识别

l 手写数字识别-导入库

l 模型设计，训练过程，测试过程

l 梯度下降策略

l softmax与交叉熵损失函数

6.行业应用案例

6.1深度学习的计算机视觉技术

6.2基于深度学习的自然语言处理技术

6.3基于深度学习的推荐系统技术

6.4基于深度学习的语音技术