第二節：回歸算法

1.一元線性回歸    

2.代價函數 

3.梯度下降法    

4.sklearn一元線性回歸應用

5.多元線性回歸  

6.sklearn多元線性回歸應用

案例：葡萄酒質量和時間的關系

第三節：KNN分類算法

1.KNN分類算法介紹 

2.KNN分類算法應用   

3.KNN實現

案例：鳶尾花分類

第四節：決策樹算法

1.決策樹算法介紹

2.熵的定義

3.決策樹算法與應用實現

案例：用戶購買行為預測

第五節：集成算法與隨機森林

1.Bagging算法介紹

2.隨機森林建模方法

3.Adaboost算法介紹

4.Stacking算法介紹

5.Voting算法介紹

第六節：K-means聚類算法

1.K-means算法介紹 

2.K-means算法應用

3.K-means算法實際應用案例

案例：NBA球隊實力聚類分析

第七節：支持向量機

1.SVM算法介紹

案例：SVM完成人臉識別應用

第八節：特征工程項目-銀行

用戶違約預測

1.數據缺失處理

2.特征篩選方法

3.特征工程

4.數據不平衡問題處理

5.算法選擇

6.結果評估

第九節：深度學習基礎-

神經網絡介紹

1.人工神經網絡發展史

2.單層感知器

3.激活函數，損失函數和梯度下降法

4.BP算法介紹

案例：BP算法解決手寫數字識別問題

第十節：Tensorflow基礎應用

1.Mnist數據集合Softmax講解

2.使用BP神經網絡搭建手寫數字識別

3.交叉熵(cross-entropy)講解和使用

4.過擬合,正則化,Dropout

5.各種優化器Optimizer

第十一節：卷積神經網絡CNN應用

1.CNN卷積神經網絡

2.卷積層、池化層（均值池化、最大池化）

3.CNN手寫數字案例

第十二節：長短時記憶網絡

LSTM應用

1.RNN循環神經網絡

2.長短時記憶網絡LSTM

3.LSTM應用案例

第十三節：常用卷積網絡模型介紹

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：用自己的數據來訓練一個新的圖像識別模型

1.數據準備

2.數據增強

3.模型搭建

4.模型訓練

5.結果測試

第十五節：目標檢測模型介紹

1.目標檢測項目介紹

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：目標檢測模型實戰

1.項目安裝配置環境

2.準備數據集

3.使用訓練好的目標檢測模型進行預測

4.用自己的數據訓練新的目標檢測模型

第十七節：自然語言處理技術介紹

1. word2vec介紹

2.Transformer模型介紹

3.Self-Attention機制介紹

4.多頭注意力機制介紹

5..Bert模型介紹

6.GPT-3模型介紹

第十八節：自然語言處理項目實戰

1.用CNN訓練一個新的文本分類模型

2.用LSTM訓練一個新的文本分類模型

3.用Bert訓練一個新的文本分類模型

課后輔助：

1.針對學員面對的問題進行討論，提出建議

2.建立微信群（課后技術免費指導）

3.上課ppt資料都發到群里面