一、课程简介你的人工智能入门第一课——从人工智能的概述、发展历程和主要分支等内容切入讲解，对人工智能进行宏观的阐述。随后着重讲到两个模块：人工智能中科学计算库和机器学习常见经典算法。在人工智能科学计算库中，你将会学习到，如何使用matplotlib进行绘图；如何使用numpy进行运算；如何使用pandas对数据完成基本的预处理。在机器学习算法篇，你将学习到经典的机器学习算法，如KNN，线性回归、岭回归、逻辑回归，决策树算法、KMeans算法、Bagging、随机森林、GBDT等，深入浅出，带你在掌握算法原理的同时，利用经典机器学习库scikit-learn实现不同案例。最后，通过“吃鸡”游戏，检验你自己的学习效果，生动体验机器学习的魅力。 二、课程特色亮点 宏观了解人工智能整体脉络 化繁为简、算法讲解清晰明了 “学”和“做”结合，边学习，边练习，加深知识理解 结合“吃鸡”游戏，体验机器学习魅力所在 三、课程内容介绍模块一•第一章 机器学习概述1.人工智能概述2.人工智能发展历程3.人工智能主要分支4.机器学习工作流程5.机器学习算法分类6.模型评估7.Azure机器学习模型搭建实验8.深度学习简介 •第二章 机器学习基础环境安装与使用1.库的安装2.jupyter notebook使用 •第三章 Matplotlib1.Matplotlib之HelloWorld2.基础绘图功能 — 以折线图为例3.常见图形绘制 •第四章 Numpy1.Numpy的优势2.N维数组-ndarray3.基本操作4.ndarray运算5.数组间的运算6.数学：矩阵 •第五章 Pandas1.Pandas介绍2.Pandas数据结构3.基本数据操作4.DataFrame运算5.Pandas画图6.文件读取与存储7.高级处理-缺失值处理8.高级处理-数据离散化9.高级处理-合并10.高级处理-交叉表与透视表11.高级处理-分组与聚合12.案例 模块二•第一章 K-近邻算法1.K-近邻算法简介2.k近邻算法api初步使用3.距离度量4.k值的选择5.kd树6.案例1：鸢尾花种类预测--数据集介绍7.特征工程-特征预处理8.案例1：鸢尾花种类预测--流程实现9.交叉验证，网格搜索10.案例2：预测facebook签到位置 •第二章 线性回归1.线性回归简介2.线性回归api初步使用3.数学:求导4.线性回归的损失和优化5.梯度下降法方法介绍6.线性回归api再介绍7.案例：波士顿房价预测8.欠拟合和过拟合9.正则化线性模型10.线性回归的改进-岭回归11.模型的保存和加载 •第三章 逻辑回归1.逻辑回归介绍2.逻辑回归api介绍3.案例：癌症分类预测-良／恶性乳腺癌肿瘤预测4.分类评估方法5.ROC曲线的绘制 •第四章 决策树算法1.决策树算法简介2.决策树分类原理3.cart剪枝4.特征工程-特征提取5.决策树算法api6.案例：泰坦尼克号乘客生存预测 •第五章 集成学习1.集成学习算法简介2.Bagging和随机森林3.Boosting •第六章 聚类算法1.聚类算法简介2.聚类算法api初步使用3.聚类算法实现流程4.模型评估5.算法优化6.特征工程-特征降维7.案例：探究用户对物品类别的喜好细分降维8.算法选择指导