学习目标
对于初学者或者有一定编程/数学基础的人来讲，通过本门课程系统化的学习，掌握python编程和代码基础，利用数据样例进行数据分析和可视化，熟悉常用的AI工具库和框架，能对大数据和海量数据进行处理，掌握机器学习/深度学习常用建模工具库，通过项目实战对所学的知识进行巩固，深入学习机器学习，学习完后能直接进入企业上手项目。

课程介绍
课程难度：初/中级
学习周期：4个月
开课时间：4月20日
授课方式：在线授课（每周一、三、五晚19:00-21:00）+直播答疑（每周日晚19:00-21:00）+课后练习（每个阶段练习题+阶段测验）+项目实战（提供5+个项目实战）

适用人群

• 本科学历及一年以上工作经验
• 本科、硕士应届生理工科相关专业
• 技术人员准备转型AI方向，提示核心竞争力

讲师阵容

• 王老师
  • 墨尔本大学自然语言处理方向硕士，从事人工智能方向8年之久，曾就职于百度、创新工厂等人工智能巨头企业从事人工智能方向，国内外发表过多篇文章，在自然语言处理方向有很高造诣！
• 项老师
  • ​​​​​资深服务端开发工程师，代码控，，拥有丰富的项目经验，参加并主导过多个大型互联网推荐、广告、大数据、基础架构等大型项目。热爱互联网，热衷于各种web、服务端技术，熟悉php、go、python、c++等多门前后端语言，有丰富的实战经验。愿意和他人分享自己对技术的理解和感悟，讲课逻辑清晰，生动幽默。
• 吴老师
  • ​​​资深研发工程师，曾就职于百度、360、今日头条等一线互联网公司，有丰富的推荐技术/大数据/后端研发经验！

课程大纲
 
一、基础课程：
预习：python语言历史。

1. Python基础。
   1. Python多进程编程。
   2. Python多线程编程。
   3. Python窗口视窗Tkinter。

预习：Numpy使用及语法

2. Numpy科学计算库入门。
   1. 用Numpy完成线性回归。
   2. 用Numpy完成神经网络。

预习：Pandas使用及语法

3. Pandas扩展库入门。
   1. 用Pandas实现excel的一些功能。

预习：Matplotlib使用及语法

4. 画图库Matplotlib入门。
   1. 用Matplotlib画出paper中的高阶图像。
5. 网页爬虫基础入门。
   1. 用爬虫工具帮你抢票。
6. Git版本控制。
   1. 完成一个项目的整体流程搭建。
7. Linux简易教学。

 
二． 机器学习课程
预习：机器学习历史

1. 机器学习概念理解及历史进程
   1. 机器学习都能解决什么问题？
2. 机器学习基本流程与环节
   1. 简单用已给的代码了解机器学习的全部步骤。

预习：阅读提供材料

3. 机器学习数学基础（一）（数学分析）
   1. 完成课后习题

预习：阅读提供材料

4. 机器学习数学基础（二）（概率论与贝叶斯先验）
   1. 完成课后习题

预习：阅读提供材料

5. 机器学习数学基础（三）（矩阵与线性代数）
   1. 完成课后习题

预习：阅读sklearn官方页面，了解如何使用官网获得自己想要的信息

6. 机器学习工具sklearn介绍，发展与背景
   1. 阅读课后读物
7. 机器学习工具sklearn的使用和功能
   1. 阅读sklearn源码，掌握1-2个机器学习方法内部构造。
8. 数据清洗
   1. 为提供的一份数据进行清洗工作

预习：阅读提供材料

9. 监督学习，无监督学习，半监督学习
10. 机器学习算法介绍：线性回归，多元线性回归，回归模型的诊断
    1. 回顾课上算法
    2. 完成相应公式推导
    3. 完成延伸题目题
11. 机器学习算法介绍：逻辑回归
    1. 回归实践
    2. 回顾课上算法
    3. 完成相应公式推导
    4. 完成延伸题目题
12. 机器学习算法介绍：支持向量机
    1. 回顾课上算法
    2. 完成相应公式推导
    3. 完成延伸题目题
13. 核方法，kernel methods
    1. 回顾课上算法
    2. 完成相应公式推导
    3. 完成延伸题目题
14. 机器学习算法介绍：朴素贝叶斯，KNN
    1. 回顾课上算法
    2. 完成相应公式推导
    3. 完成延伸题目题
15. 模型评估方法，正则化方法
    1. 完成数学推导
16. 机器学习算法介绍：决策树和随机森林
    1. 决策树和随机森林实践
    2. 学习剪枝等优化方法

预习：了解kaggle竞赛，并学习如何参加竞赛

17. 提升方法，boosting
    1. 了解常用boosting方法并实践
18. XGboost，GBDT
    1. 完成一份实践工作，利用XGboost和GBDT比较实践效果
19. 聚类算法概述，变量标准化与分布形态转换，模型构建（一）
    1. 回顾课上算法
20. 聚类算法概述，变量标准化与分布形态转换，模型构建（二）
    1. 回顾课上算法
21. 聚类算法实践

预习：EM算法前置数学阅读

22. EM算法及实践
    1. 代码实现一个EM算法
23. 主题模型及实践
    1. 实现一个文本主题挖掘的项目
24. 隐马尔可夫模型HMM及实践
    1. 代码实现一个天气预报预测
25. 关联规则挖掘，协同过滤。
    1. 实现一个简单的推荐系统
26. 聚类案例，推荐案例讲解。
    1. 完成一个文本聚类项目
27. 特征工程概念与意义，统计数学初探。
28. 统计数学普及，常用方法，检验方法。
29. 数据预处理，类别性，时间性数据特征工程。文本型特征工程。
30. 特征选择方法及实践。
31. 模型调优与超参选择，交叉验证及调优策略。
32. 模型融合方法及实践。

三、项目实战

1. Pandas综合联系
2. Sklearn建模与适用
3. XGBoost/GBDT/LightGBM实战
4. 企业真实案例还原

四、就业指导
专为各背景专业制作的就业课程，BAT前线工程师行业趋势分析，免费提供量身技能匹配辅导、简历指导、面试辅导、内推就业。从开始学习到找工作一条线路给你安排的明明白白，我们承诺保就业保高薪，助你成为下一个码神！