【课程内容】构建Python环境、基本语法、数据预处理、可视化、完整实例与练习.

【课程目标】Python环境搭建与其基础语法的学习，熟悉列表元组等基础概念与python函数的形式，Python的IO操作，Python中类的使用介绍，python使用实例讲解机器学习领域的经典算法、模型及实现的任务等，同时学习搭建和配置机器学习环境，并学会用线性回归解决一个实际问题。

【课程内容】函数与导数、线性代数与矩阵、概率分析、程序与概念（算法推导与实现）、程序实践、课后实践。

【课程目标】熟悉数学中的符号表示，理解函数求导以及链式求导法则，理解数学中函数的概念，熟悉矩阵相关概念以及数学表示。将数学概念与程序基础联系起来；梯度下降实例讲解；

【课程内容】人工智能概念、获取数据与特征工程、模型训练。

【课程目标】解释人工智能中涉及到的相关概念。了解如何获取数据以及特征工程。熟悉数据预处理方法。理解模型训练过程。熟悉pandas的使用。了解可视化过程；Panda使用讲解；图形绘制；

【课程内容】人工智能技术和应用场景的介绍。常见人工智能的算法，主流的应用构建 方法。主流机器学习框架介绍，针对机器学习场景能够更好的应用相关工具进行分析与处理。

【实战部分】鸢尾花分类实战、分类预测实战、回归预测实战。

【课程目标】 人工智能技术和应用场景的全面了解，形成系统化的人工智能技术栈。主流机器学习框架介绍,针对机器学习场景能够更好的应用相关工具进行分析与处理；通过实例对人工智能分析方法和流程有直观了解，为后续课程打下基础。

【课程内容】将复杂的数学理论进行梳理，将机器学习中用到的数学基础由浅入深进行详细的梳理与讲解。主要涉及矩阵、导数、概率相关内容。

【实战部分】手写识别实战、文本降维实战。

【课程目标】 掌握和了解人工智能技术底层数学理论支撑；概率论，矩阵和凸优化的介绍，相应算法设计和原理；凸优化理论，流优化手段 SGD，牛顿法等优化方法。

【课程内容】主流python数据预处理库、原始数据特征构建。特征选择、构建新特征，缺失值填充等特征工程方法。

【实战部分】Scikit-learn特征工程，网格搜索， 超参数调优，泰坦尼克求生预测

【课程目标】了解和掌握主流python数据预处理库，通过工具能够对原始数据进行特征构建。

【课程内容】作为深度学习主流分析框架 Tensorflow，通过掌握 Tensorflow 基本概念，计算模型和原理，能够通过 Tensorflow 进行深度学习和模型构建与训练。学习掌握训练过程优化方法与问题优化。

【实战部分】图片分类实战、欺诈预测

【课程目标】了解及学习变量作用域与变量命名。搭建多层神经网络并完成优化。）正则化优化神经网络。梯度问题与解决方法。

【课程内容】决策树算法的原理，度量指标和算法变种。掌握和了解 GBDT，AdaBoost，随机森林等集成学习模型的原理和集成学习算法。

【实战部分】鸢尾花分类实战、金融反欺诈预测

【课程目标】了解和掌握决策树算法的原理，度量指标和算法变种。 掌握和了解随机森林和，GBDT等集成学习模型的原理和集成学习算法。应用XGboost，通过GBDT算法完成预测实例，加深对算法和实战的融合。

【课程内容】了解和掌握 KNN 、SVM及朴素贝叶斯算法原理，熟悉集成学习(Bagging、Boosing)对于分类算法的优化过程，掌握数据降维方法应用。

【实战部分】手写图形数据降维与分类、文本向量化实战、文本分类实战

【课程目标】 掌握常用分类算法：KNN、SVM、NaiveBayes、Bagging、Boosting。熟悉分类算法调参关键参数。掌握不同分类算法的过拟合、欠拟合情景与调优。掌握集成学习调优。通过实例对于调参过程进行深入理解.了解不同算法的共性与个性。

【课程内容】主流回归模型，线性回归，逻辑回归 LR 及其变种和扩展算法。 梯度下降，牛顿法, 拟牛顿法 LBFGS 等优化方法，逻辑回归优化问题的求解。

【实战部分】波士顿房价预测、股票预测回归实战

【课程目标】掌握和学习主流回归模型，线性回归，逻辑回归及其变种和扩展算法。了解和掌握通过梯度下降，牛顿法, 拟牛顿法等优化方法进行逻辑回归 优化问题的求解。通过实例掌握如何应用逻辑回归等回归算法。

【课程内容】无监督学习模型，了解主流的聚类算法。 了解不同相似度计算算法。深入了解不同的数据降维方法。掌握文本降维方法(LDA)

【实战部分】新闻分类实战、文本降维实战

【课程目标】掌握Kmeans以及其衍生算法，掌握modelbased聚类方法，掌握无监督降维方法：PCA、ICA、字典学习，掌握监督降维方法LDA，掌握文本降维方法LDA，深入理解聚类算法与分类算法的区别，理解聚类算法的优缺点。

【课程内容】以大数据主流分析框架为例， Spark 内核架构，计算模型和原理，了解分布式机器学习原理，能够处理和解决大规模数据分析预处理和模型训练。

【实战部分】电影推荐案例

【课程目标】大数据机器学习主流分析框架，内核架构，计算模型和原理。了解和掌握Spark框架上的机器学习库MLlib的算法原理，核心数据抽象，以及应用MLlib。通过实战电影推荐演练，同时学习推荐系统算法和原理。

【课程内容】深度学习主要概念，激活函数，超参数等，BP神经网络基础，卷积，Pooling，Dropout等方法和原理，深度学习应用场景，经典深度学习网络结构等。

【实战部分】MINIST手写识别案例电影评论文本分类案例、评论文本情感分析案例

【课程目标】了解深度学习主要概念，激活函数等，以及BP神经网络基础，学习卷积，Pooling，Dropout等方法和原理，了解和掌握深度学习和经典深度学习网络结构等。

【课程内容】理解RNN网络的数据流，了解BPTT算法，理解用于RNN网络的文本向量化方法，理解文本ensemble过程，理解Attention机制，构建用于文本分类的神经网络，熟悉RNN基础上的复杂网络结构Seq2seq。

【实战部分】新闻分类实战(与传统分类算法做对比)、文本生成实战

【课程目标】1）利用TensorFlow构建RNN网络，熟悉文本向量化过程，完成RNN网络的训练过程，理解文本生成过程，理解RNN与前馈神经网络的区别与联系。

公司人工智能岗位核心技能需求。了解所需知识和技能，以及主流的机器学习工具和框架的使用方法。 讲解机器学习岗位面试的常见笔试题。会涵盖主流的互联网公司的面试题 目，深入浅出，结合实际场景分析。 讲解常见机器学习面试问题，开放式问题和系统设计问题，融汇贯通整个课程知识点。