1.人工智能技術(shù)綜述

1.1 人工智能和機器學(xué)習(xí)的關(guān)系

1.2 人工智能主要方向剖析

1.3 人工智能學(xué)習(xí)路線規(guī)劃

2.特征提取：物理世界的數(shù)學(xué)描述

2.1 onehot和multihot

2.2 圖像特征和邊緣提取

2.3 連續(xù)特征的正規(guī)化和分段

2.4 行為類特征的向量化

2.5 社交類特征的向量化

2.6 離散特征的向量化

3.向量之間的距離計算以及使用場景

3.1 歐氏距離、海明距離、閔可夫斯基距離

3.2 內(nèi)積距離

3.3 雅克比相似度和雅克比距離

3.5 各類距離的比較以及優(yōu)缺點

3.6 numpy入門以及距離計算

1.線性回歸概述

1.1線性回歸的定義

1.2線性回歸的適用場景

1.3嶺回歸

2.模型評估

2.1線性回歸的評測方法

2.2訓(xùn)練集和測試集

2.3模型的泛化能力

3.模型學(xué)習(xí)方法

3.1損失函數(shù)MSE和最小二乘法

3.2導(dǎo)數(shù)的定義和計算

3.4 極大值和極小值

3.5梯度下降法

3.6 從幾何角度理解梯度下降法

4.sklearn框架

4.1 sklearn框架的介紹、安裝方法

4.2 使用sklearn完成線性回歸模型

5.深入理解線性回歸

5.1多項式回歸解決非線性問題

5.2 特征冗余和噪音特征

5.3 線性回歸和正態(tài)分布

1.分類任務(wù)和概率

1.1多分類和二分類

1.2 分類模型和概率模型

2.邏輯回歸

2.1感知器及其局限性

2.2 Sigmoid函數(shù)詳解

2.3 邏輯回歸在分類問題上的應(yīng)用

2.4 模型的正則化

3.梯度下降法

3.1 Sigmoid函數(shù)的導(dǎo)數(shù)推導(dǎo)

3.2 邏輯回歸的損失函數(shù)KL距離

3.3 梯度下降法在邏輯回歸上的應(yīng)用

3.4 學(xué)習(xí)因子的設(shè)定

3.5 正則項在邏輯回歸中的必要性

4.邏輯回歸實戰(zhàn)

4.1 使用sklearn實現(xiàn)邏輯回歸

4.2 使用TensorFlow實現(xiàn)邏輯回歸

4.4 邏輯回歸調(diào)參指南

5.損失函數(shù)的選擇和對比

5.1KL距離和MSE的區(qū)別

5.2 KL距離背后的統(tǒng)計學(xué)原理

5.3 KL距離和交叉熵

6.邏輯回歸的統(tǒng)計學(xué)原理

6.1最大似然估計和KL損失函數(shù)

6.2.邏輯回歸和正態(tài)分布

7.模型的正則化

7.1 L1正則和L2正則的異同

7.2正則化和過擬合

7.3 從概率的角度理解正則化

7.4 sklearn如何進行正則化的實現(xiàn)

8.分類模型的評價指標(biāo)

8.1 正確率，準(zhǔn)確率和召回率

8.2 AUC和ROC

8.3 各類分類指標(biāo)的優(yōu)點、局限性

8.4 代碼實戰(zhàn)各類指標(biāo)的計算

1.Kmeans模型

1.1聚類的目的和意義

1.2 Kmeans模型詳解以及參數(shù)學(xué)習(xí)

1.3使用sklearn進行Kmeans模型實戰(zhàn)

1.4 Kmeans模型的缺點

1.5 Kmeans各類改進版本

1.6 EM算法詳解

1.7 Kmeans算法和邏輯回歸

2.隱式主題模型-LDA

2.1 LDA模型的原理

2.2 LDA模型的求解

2.3 LDA主題模型實戰(zhàn)：推薦系統(tǒng)中的應(yīng)用

2.4 LDA模型背后的概率意義

2.5.吉布斯采樣

2.6 LDA模型代碼實戰(zhàn)

1.特征交叉原理和FM模型

1.1 特征交叉的原理和意義

1.2特征交叉的數(shù)學(xué)實現(xiàn)

1.3通過內(nèi)積簡化特征交叉

1.4 FM模型原理詳解

1.5 FM模型和邏輯回歸異同解析

2.FM模型的數(shù)學(xué)推導(dǎo)

2.1 FM模型在數(shù)學(xué)上的化簡

2.2梯度下降法在FM模型中的應(yīng)用

3.使用python進行FM模型實戰(zhàn)

1.深層模型的意義

1.1特征變換和特征提取

1.2 激活函數(shù)的意義和必要性

1.3 深層模型架構(gòu)

1.4 softmax函數(shù)和多分類

1.5 深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)

1.6 shortcut結(jié)構(gòu)詳解

2.常見激活函數(shù)

2.1 sigmoid激活函數(shù)詳解

2.2 tanh激活函數(shù)詳解

2.3 relu激活函數(shù)詳解

2.4 relu函數(shù)的改進版本詳解

3.softmax函數(shù)和多分類

3.1 softmax函數(shù)的推導(dǎo)和onehot向量的關(guān)系

3.2 softmax的導(dǎo)數(shù)推導(dǎo)

3.3多分類和多標(biāo)簽

4.深度學(xué)習(xí)實戰(zhàn)

4.1主流機器學(xué)習(xí)框架平臺介紹

4.2 TensorFlow和keras框架詳解

4.3如何調(diào)用自己的GPU

4.4深度學(xué)習(xí)實戰(zhàn)：用keras搭建自己的神經(jīng)網(wǎng)絡(luò)

1.梯度下降法

1.1 矩陣和向量的求導(dǎo)法則

1.2 矩陣和向量的鏈?zhǔn)椒▌t

1.3 梯度下降法在深層神經(jīng)網(wǎng)絡(luò)中的推導(dǎo)和應(yīng)用

1.4 梯度消失和梯度爆炸產(chǎn)生原因分析以及解決方案

1.5 鞍點、局部極小、以及解決方案

2. 權(quán)重初始化

2.1權(quán)重的對稱性及其危害

2.2 隨機初始化權(quán)重的方法

3. 梯度下降法及其改進

3.1傳統(tǒng)梯度下降法的缺點

3.2 SGD算法

3.3動量法

3.4 RMSprop算法

3.5 Adam算法

3.6改進型梯度下降法在keras中的實現(xiàn)

4.輸入的標(biāo)準(zhǔn)化

4.1 標(biāo)準(zhǔn)化的意義

4.2 批標(biāo)準(zhǔn)化以及keras的實現(xiàn)

4.3 層標(biāo)準(zhǔn)化以及keras的實現(xiàn)

5.深度學(xué)習(xí)的正則化

5.1 L1正則和L2正則在深度學(xué)習(xí)中的應(yīng)用

5.2 dropout以及keras實現(xiàn)

1.循環(huán)神經(jīng)網(wǎng)絡(luò)

1.1時序模型以及使用場景

1.2 RNN模型以及keras的實現(xiàn)

1.3 LSTM模型以及keras的實現(xiàn)

1.3.GRU模型以及keras的實現(xiàn)

1.4.時序模型代碼實戰(zhàn)

2.Attention神經(jīng)網(wǎng)絡(luò)

2.1.seq2seq架構(gòu)

2.2 Attention模型

2.3 常見注意力算法

2.4 self-attention

2.5多抽頭Attention

2.6 transformer架構(gòu)

2.7 attention模型在圖像中的應(yīng)用

1.word2vec和fasttext

1.1.自然語言處理和語言模型

1.2.詞向量模型word2vec

1.3.skipgram和cbow構(gòu)建方法

1.4.霍夫曼樹和負(fù)采樣

1.5.fasttext模型和文本分類

1.6.子詞模型

1.7 word2vec和fasttext的代碼實戰(zhàn)

2.大模型之Bert

2.1.NLP的龍骨模型-Bert

2.2.Bert模型的訓(xùn)練方法

2.3.Bert模型的應(yīng)用

2.4.Bert模型實戰(zhàn)

2.5.Bert常見的改進方法

1.深入理解卷積層

1.1 卷積的物理意義

1.2 卷積層的操作方法

1.3 卷積層步長和窗口選取技巧

1.4卷積層的keras實現(xiàn)

1.5.常見卷積改進方法

2.池化層

2.1 最大池化

2.2 均值池化

2.3 池化層的keras實現(xiàn)

3.圖像分類

3.1.圖像分類常用數(shù)據(jù)集介紹：coco、imagenet 等

3.2 多層卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用

4.卷積在文本分類中的應(yīng)用

4.1 卷積在文本特征提取的方法

4.2 textCNN詳解