预修课(录播)
《Python从入门到进阶》
《人工智能核心知识强化课》
第一章 AI与Python入门
第二章 机器学习理论与实践
第三节：机器学习一
3.1 机器学习的应用场景3.2 机器学习分类3.3 集成模型3.4 代码实战：决策树作业：使用决策树对使用优惠券情况做预测第四节：机器学习二
4.1 线性回归与逻辑回归4.2 逻辑回归与softmax4.3 机器学习评价方法4.4 代码实战：逻辑回归作业：使用逻辑回归诊断心脏病第五节：机器学习三
5.1 欠拟合与过拟合5.2 正则化5.3 贝叶斯定理5.4 朴素贝叶斯5.5 生成模型与判别模型5.6 代码实战：朴素贝叶斯作业：使用朴素贝叶斯判断男女第三章 深度学习理论与实践
第六节：深度学习初步
6.1 深度学习的应用场景6.2 神经网络6.3 代码实战：使用Pytorch构建神经网络作业：实现一个三层神经网络第七节：深度学习进阶
7.1 神经网络的实践分析7.2 手动从零实现一个神经网络模型作业：搭建深度学习框架第八节：RNN
8.1 序列模型8.2 RNN8.3 LSTM 与 GRU8.4 代码实战：使用Pytorch搭建RNN作业：使用LSTM对正/余弦函数建模第九节：CNN
9.1 CNN 与 Spatial Invariant9.2 Pooling, Dropout 与 Batch Normalization9.3 CNN 的可视化9.4 代码实战：使用Pytorch搭建CNN作业：使用 CNN 搭建模型识别验证码第四章 CV/NLP/BI初步
第十节：商业智能BI
10.1 BI的基本任务10.2、信用卡欺诈检测作业：简述信用卡欺诈检测中的技术点第十一节：计算机视觉CV
11.1 CV的基本任务11.2 利用GAN生成虚拟图片作业：简述利用GAN生成虚拟图片中的技术点第十二节：自然语言处理NLP
12.1 NLP的基本任务12.2 中文诗歌自动生成系统作业：简述中文诗歌自动生成系统中的技术点AI专业方向三选一之计算机视觉
第十三节 计算机视觉基础：图像处理
13.1 计算机视觉的发展13.2 计算机如何看到图像13.3 计算机处理图像的方式作业：通过多种变换实现数据增广第十四节 认识计算机视觉
14.1 图像处理与计算机视觉14.2 计算机视觉的输入与输出14.3 计算机视觉的常见问题14.4 计算机视觉第一步：图像描述14.5 线性分类器回顾作业：提取LBP特征实现数字图像分类第十五节 GPU如何在LeNet提升中发挥作用
15.1 GPU/CPU架构：计算单元的对比15.2 对GPU线程的操作与调度：CUDA的作用15.3 PyTorch中的CUDA15.4 跳过PyTorch直接操作GPU15.5 用GPU硬件线程实现CNN最核心层：卷积层作业：使用PyCUDA库利用GPU的多线程技术，完成卷积层的计算第十六节 计算机视觉中的图像分类
16.1 CNN提特征设计：搭积木16.2 决策层的实现：output层设计16.3 生成output需要的groundtruth16.4 经典模型 DenseNet/MobileNet /EfficientNet16.5 项目实战：搭建并验证分类模型作业： 基于深度学习垃圾图片智能检测分类项目第十七节 深度学习之两阶段目标检测
17.1 RCNN 算法17.2 Fast RCNN17.3 Faster RCNN17.4 项目实战：搭建并验证两阶段目标检测模型作业：用两阶段目标检测模型检测矿泉水瓶第十八节 深度学习之单阶段目标检测
18.1 YOLO 系列18.2 检测模型的评价指标作业：用一阶段目标检测模型检测矿泉水瓶并对效果进行评价第十九节 计算机视觉中的图像分割
19.1 图像分割19.2 分割模型的评价指标作业：用语义分割的方法进行矿泉水瓶分割并对效果进行评价第二十节 计算机视觉中的目标跟踪
20.1 为什么会有跟踪任务20.2 经典的目标跟踪方法20.3 基于深度学习的目标跟踪算法作业：视频中的目标跟踪实现AI专业方向三选一之自然语言处理
第十三节 自然语言处理的基本过程
13.1 获取语料13.2 语料预处理13.3 特征工程13.4 模型训练作业：使用贝叶斯检测垃圾邮件第十四节 向量空间模型
14.1 向量空间模型14.2 向量空间模型的构建14.3 距离计算14.4 PCA 与 T-SNE 降维14.5 代码实战：使用T-SNE 进行降维可视化作业：使用 PCA 进行降维可视化第十五节 自然语言理解初步
15.1 关键词提取15.2 实体识别15.3 依存分析15.4 主题模型15.5 代码实战：使用 Gensim 构建新闻语料的主题模型作业：使用 Scikit-Learn 构建新闻语料的主题模型第十六节 语言模型与概率图模型
16.1 概述16.2 语言模型16.3 隐马尔可夫模型16.4 条件随机场16.5 代码实战：基于 HMM 实现命名实体识别作业：基于 CRF 实现命名实体识别第十七节 词向量模型Word2Vec
17.1 词向量17.2 句子向量17.3 词向量的高级用法17.4 代码实战：使用Word2Vec生成词向量作业：使用词向量自动整理同义词第十八节 Transformer与BERT，大规模预训练问题
18.1 Seq2Seq模型与机器翻译18.2 Self-Attention与Transformer18.3 划时代的预训练模型BERT18.4 代码实战：使用 BERT 生成词向量作业：实现基于 BERT 的情感分析模型第十九节 自然语言生成
19.1 解码算法19.2 NLG 任务及其常见问题解决方法19.3 NLG 评价方法19.4 NLG 的研究趋势和未来19.5 代码实战：实现基于Word2Vec的文本摘要模型作业：实现基于 BERT 的文本摘要模型第二十节 自然语言处理与人工智能前沿
20.1 强化学习20.2 图神经网络20.3 低资源NLP20.4 深度学习与AI目前的问题和极限20.5 AI 产业化面临的问题20.6 基于人类背景知识的常识推理与认知问题20.7 自然语言处理与人工智能的未来作业：简述强化学习的经典模型及其区别和联系AI专业方向三选一之数据挖掘与高级商业分析
第十三节 预测全家桶与机器学习四大神器
13.1 机器学习分类算法13.2 树模型及机器学习四大神器13.3 代码实战作业：使用XGBoost, LightGBM, CatBoost 中的任意一种对男女声音进行识别第十四节 时间序列分析
14.1 时间序列基本概念14.2 时间序列模型14.3 代码实战作业：使用ARMA/ARIMA/LSTM 中的任意一种对股票价格进行预测第十五节 矩阵分解与因子分解机
15.1 矩阵分解算法15.2 Factorization Machine算法作业：选择任意一张图片，对其进行灰度化，然后使用SVD进行图像的重构，当奇异值数量为原有的1%，10%，50%时，输出重构后的图像第十六节 挖掘数据中的关联规则
16.1 关联规则基本概念16.2 关联规则算法16.3 代码实战作业：MarketBasket购物篮关联分析第十七节 个性化推荐与金融数据分析
17.1 Airbnb个性化推荐17.2 金融数据分析17.3 代码实战作业：信用卡违约率检测和信用卡欺诈分析代码实现第十八节 PageRank、图论与推荐系统
18.1 PageRank基础知识18.2 相关算法18.3 推荐系统介绍18.4 图论与推荐系统作业1、使用Python模拟图上的PageRank计算过程，求每个节点的影响力作业2、使用TextRank对新闻进行关键词提取，及文章摘要输出第十九节 图嵌入和图卷积网络
19.1 Graph Embedding基础知识19.2 主要方法19.3 相关算法19.4 代码实战作业：使用DeepWalk, Node2Vec或GCN对Dolphin 关系进行Graph Embedding第二十节 强化学习与AlphaGo实战
20.1 强化学习概述20.2 马尔科夫决策过程20.3 强化学习Agent分类20.4 蒙特卡罗法MCTS20.5 AlphaGo的强化学习原理及项目实战作业：采用强化学习训练五子棋AI进行人机对弈
