章節2:線性回歸算法知識鋪墊
章節3:線性回歸算法深入剖析
章節4:環境安裝配置以及線性回歸算法實現
章節5:IDE的使用及利用sklearn模塊使用
章節6:優化算法梯度下降法深入剖析
章節7:代碼實戰梯度下降法
章節8:提高模型的推廣能力以及代碼實戰
章節9:人工智能中的歸壹化
章節10:多項式回歸算法
章節11:邏輯回歸算法詳解
章節12:代碼實戰邏輯回歸
章節13:代碼實戰水泥強度預測案例
章節14:代碼實戰保險醫療花費預測案例
章節15:代碼實戰音樂分類器案例
章節16:詳解邏輯回歸多分類與Softmax
章節17:模型的評估指標詳解
章節18:模型評估代碼實戰
第壹階段 Python語言基礎與使用 章節1:數學基礎補充
章節2:機器學習計算基礎庫
章節3:機器學習Python基礎
第二階段 機器學習算法與案例實戰 章節1:多元線性回歸
章節2:梯度下降法
章節3:邏輯回歸
章節4:模型評估與選擇
章節5:SVM
章節6:聚類
章節7:決策樹
章節8:集成學習和隨機森林
章節9:關聯規則挖掘
第三階段 機器學習算法與案例實戰 章節1:訓練模型各種優化算法
章節2:Adaboost 和 GBDT
章節3:XGBoost
章節4:貝葉斯分類器
章節5:最大熵模型與 EM 算法
章節6:主成分分析
章節7:隱含馬爾科夫模型
章節8:條件隨機場
章節9:主題模型
章節10:詞向量 Word2Vec
第四階段 深度學習原理與框架 章節1:神經網絡與多層感知機
章節2:TensorFlow
章節3:訓練深度神經網絡
章節4:卷積神經網絡
章節5:實現經典卷積神經網絡
章節6:循環神經網絡
章節7:強化學習
第五階段 人工智能項目實戰 章節1:面對海量數據挖掘
章節2:實時個性化推薦系統
章節3:自然語言基礎
章節4:聊天機器人
章節5:Keras