一、掌握AI工具
解決AI問題的一些主流工具，很多都是基於python的。
python是一種澆水語言。
Jupyter Notebook是基於（web框架）網頁的用於交互計算的應用程序。其可被應用於全過程計算：開發、文檔編寫、運行代碼和展示結果。支持運行 40 多種編程語言。可進行AI算法的快速迭代。
NumPy工具包，進行數組運算，可實現很多強大的運算。
pandas可進行數據的導入導出和引用。
matplotlib工具包可以將算法結果展示出來。
要進行機器學習，少不了scikit-learn工具包。
深度學習有Keras。
Anaconda軟件可以幫助管理python開發的環境。
二、成熟標準的實戰訓練流程
1.數據加載及展示：對數據有一個大致的瞭解。
2.數據預處理：比如完成數據的格式轉換，可以用於模型預測。或者是做一些異常數據篩選，剔除異常數據。或者做一些數據的維度縮減，讓模型迭代起來會更快等。
3.模型建立及訓練：針對不同的任務建立不同的模型。
4.模型預測：預測結果是怎樣的，與原始數據進行對比，
5.結果展示及表現評估：通過可視化或者一定指標評估模型表現。
這一套流程會運用在不同的應用場景裏：
1.迴歸任務：比如在進行房價預測時，通過一些指標（面積，常住人口等）預測房價的合理值。
2.分類任務：比如郵箱裏有垃圾郵件和非垃圾郵件的分類。
3.監督學習：告訴計算機什麼是對的什麼是錯的然後讓它進行學習。
4.非監督學習：把數據丟給計算機，計算機會自動的去完成一些數據的預處理和判斷。
5.遷移學習、混合算法
實戰時，會涉及不同的應用行業：
1.房地產
2.工業
3.金融
4.機器視覺
5.自然語言處理
6.其他
部分案例：
1.評估合理房價
2.芯片質量好壞
3.股票價格預測
4.貓狗識別
5.文本生成
6.異常蘋果自動檢測
綜合能力提升：
機器學習：
1.logistic regression(邏輯迴歸)
2.KNN(k近鄰算法）
3.Decision tree(決策樹）
4.linear regression(線性迴歸）
5.KMeans(k均值聚類）
6.Meanshift(聚類）
7.Anomaly Detection(異常檢測）
8.PCA(主成分分析）
深度學習：
91.MLP(多層感知器）
10.CNN(卷積神經網絡)
11.RNN(循環神經網絡）
若有一個分類任務，可以用機器學習中的1，2，3來解決，也可以建立深度學習中的多層感知器。
監督類範疇：4，10，11
非監督類範疇：5，6
7，8可以幫助快速定位大量數據中的異常情況，亦可以把大量數據中的主要數據提取出來。
還會嘗試混合類算法的搭建：CNN+clustering(混合算法）
三、課程概覽
1.線性迴歸
（1）機器學習介紹
（2）迴歸分析：通過房價預測案例完成迴歸任務
（3）線性迴歸模型：重點。
（4）核心原理講解：數學模型。
（5）代碼實戰
2.邏輯迴歸
（1）分類問題介紹：結果是非連續性的。
（2）分類模型框架：基本數學框架。
（3）邏輯迴歸分析：邏輯迴歸方程。
（4）核心原理講解：如何求解模型，快速完成預測。
（5）代碼實戰：<1>預測學生是否可以通過考試
<2>預測芯片質量好壞
3.聚類
（1）無監督學習
（2）聚類分析：在一堆數據裏找出一些有共同點的數據。
（3）k均值聚類
（4）KMeans VS KNN
（5）代碼實戰：沒有標籤數據的自動劃分（2D數據自動聚類）
4.其他常用技術
（1）決策樹：建立樹狀模型結構，完成分類任務
（2）異常數據檢測：快速定位異常數據
（3）數據降維：降低數據維數
（4）主成分分析（PCA）：在降維時，保存主要數據成分
（5）代碼實戰：<1>決策樹實現iris數據分類
<2>自動定位異常數據
5.模型評價與優化
（1）模型選擇
（2）核心參數優化
（3）數據預處理
（4）混淆矩陣
（5）過擬合與欠擬合
（6）代碼實戰
6.多層感知器
（1）邏輯迴歸的侷限性
（2）多層感知器
（3）MLP實現非線性分類
（4）MLP實現多分類
（5）代碼實戰
7.卷積神經網絡
（1）普通MLP的侷限性
（2）圖像卷積運算
（3）卷積神經網絡
（4）經典CNN模型
（5）代碼實戰
8.循環神經網絡
（1）序列數據模型：建立模型突出數據前後的
（2）循環神經網絡
（3）不同類型的RNN
（4）長短期記憶網絡LSTM
（5）代碼實戰
9.遷移混合模型及課程總結
（1）遷移學習
（2）監督+無監督學習
（3）機器學習+深度學習
（4）課程回顧與總結
（5）代碼實戰