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