課程大綱： 機(jī)器學(xué)習(xí)培訓(xùn)
第一章 引言
1. 機(jī)器學(xué)習(xí)定義
2. 機(jī)器學(xué)習(xí)的分類
3. 機(jī)器學(xué)習(xí)算法的過程
4. 沒有免費(fèi)午餐定理
5. 總結(jié)
第二章 支持向量機(jī)
1. 支持向量機(jī)（線性可分定義）
2. 支持向量機(jī)（問題描述）
3. 支持向量機(jī)（優(yōu)化問題）
4. 支持向量機(jī)（線性不可分情況）
5. 支持向量機(jī)（低維到高維的映射）
6. 支持向量機(jī)（核函數(shù)的定義）
7. 支持向量機(jī)（原問題和對(duì)偶問題）
8. 支持向量機(jī)（轉(zhuǎn)化為對(duì)偶問題）
9. 支持向量機(jī)（算法流程）
10. 支持向量機(jī)（兵王問題描述）
11. 支持向量機(jī)（兵王問題程序設(shè)計(jì)）
12. 支持向量機(jī)（兵王問題MATLAB程序）
13. 支持向量機(jī)（識(shí)別系統(tǒng)的性能度量）
14. 支持向量機(jī)（多類情況）
第二章節(jié)討論區(qū)
第三章 人工神經(jīng)網(wǎng)絡(luò)
1. 人工神經(jīng)網(wǎng)絡(luò)（章節(jié)總覽）
2. 人工神經(jīng)網(wǎng)絡(luò)（感知器算法）
3. 人工神經(jīng)網(wǎng)絡(luò)（感知器算法的意義）
4. 人工神經(jīng)網(wǎng)絡(luò)（第一次寒冬）
5. 人工神經(jīng)網(wǎng)絡(luò)（多層神經(jīng)網(wǎng)絡(luò)）
6. 人工神經(jīng)網(wǎng)絡(luò)（梯度下降算法）
7. 人工神經(jīng)網(wǎng)絡(luò)（后向傳播算法 上）
8. 人工神經(jīng)網(wǎng)絡(luò)（后向傳播算法 下）
9. 人工神經(jīng)網(wǎng)絡(luò)（后向傳播算法的應(yīng)用）
10. 人工神經(jīng)網(wǎng)絡(luò)（兵王問題MATLAB程序）
11. 人工神經(jīng)網(wǎng)絡(luò)（參數(shù)設(shè)置）
第三章節(jié)討論區(qū)
第四章 深度學(xué)習(xí)
13. 人臉識(shí)別介紹
12. 深度學(xué)習(xí)的編程工具PYTORCH
章節(jié)簡(jiǎn)介及資源匯總
2. 深度學(xué)習(xí)（自編碼器）
3. 深度學(xué)習(xí)（卷積神經(jīng)網(wǎng)絡(luò)LENET）
4. 深度學(xué)習(xí)（卷積神經(jīng)網(wǎng)絡(luò)ALEXNET）
5. 深度學(xué)習(xí)的編程工具Tensorflow
6. 深度學(xué)習(xí)的編程工具CAFFE
7. 深度學(xué)習(xí)（近年來流行的卷積神經(jīng)網(wǎng)絡(luò)）
8. 目標(biāo)檢測(cè)與分割上
9. 目標(biāo)檢測(cè)與分割下
10. 時(shí)間序列的深度學(xué)習(xí)模型（RNN和LSTM）
11. 生成對(duì)抗網(wǎng)絡(luò)
第五章 強(qiáng)化學(xué)習(xí)
1. 強(qiáng)化學(xué)習(xí)（Q-Learning和epsilon-greedy算法）
2. 強(qiáng)化學(xué)習(xí)（深度強(qiáng)化學(xué)習(xí)）
3. 強(qiáng)化學(xué)習(xí) (policy gradient 和 actor-critic算法）
4. 強(qiáng)化學(xué)習(xí) (AlphaGo 上）
5. 強(qiáng)化學(xué)習(xí) (AlphaGo 下）
第六章 傳統(tǒng)機(jī)器學(xué)習(xí)
4. ADABOOST
5. 人工智能中的哲學(xué)
1. 主成分分析
2. K-均值聚類
3. 高斯混合模型
加入高級(jí)會(huì)員獲得助教答疑
