AI人工智能训练营

特训营·第 1 计划·(阶段一)

标准库，扩展库，运算符，表达式，字符串、转义字 符，字符串的输出和输入，访问字符串中的值，字符 串内建函数；列表，包括列表访问，列表运算，深拷 贝/浅拷贝，列表常用的方法；字典，集合，条件表 达式，选择结构，包括while循环，break语句，for in 循环，range函数，continue语句； 函数参数,变量作用域,lambda,生成器； 类的定义,使用,数据成员,成员方法,特殊方法,运算符重 载； numpy，包括NumPy 数学函数，NumPy 统计函数， NumPy 矩阵库(Matrix) ，NumPy 排序、条件刷选 函数，NumPy 线性代数，数组运算，矩阵运算， scipy，pandas，如Pandas数据结构，Pandas数据 帧（DataFrame）,Pandas面板，包括Pandas基本应 用，Pandas描述性统计，Pandas函数应用，Pandas 重建索引，Pandas迭代，Pandas统计函数；

特训营·第 2 计划·(阶段二)

Pandas 读取数据， scikit-learn 训练与测试模型； 评估模型性能的指标； 交叉验证(把给定的数据进行切分，将切分的数据集分 为“训练集”和“验证集”（假设其中4份为train，1 份为validation），在此基础上循环选取进行训练 和验证。曲线判断过欠拟合，用网络搜索训练模型； 测试 NumPy 、 pandas 技能的掌握； 测试对模型评估与验证的理解；

特训营·第 3 计划·(阶段三)

分类与回归的区别，学习使用线性回归来做预测； Iris经典爱丽丝，爱丽丝进化与文本矢量化，AI操作 流程，数据切割函数，Iris爱丽丝分解，线性回归算 法，逻辑回归算法； 朴素贝叶斯原理，朴素贝叶斯算法，KNN近邻算法 ，随机森林算法，构建垃圾邮件分类器； 决策树算法，GBDT迭代决策树算法，SVM向量机 ，SVM-cross向量机交叉算方法，神经网络算法， MLP神经网络算法，MLP_reg神经网络回归算法， 探索泰坦尼克号乘客存活模型； 支持向量机以线性分离数据； 非线性可分的数据上来训练 SVM； boosting 提升传统方法；Adaboost，CCPP数据 集，数据集切割，读取CCPP数据集，机器学习统一 接口，批量调用机器学习算法，一体化调用，存储算 法模型，批量存储算法模型，批量加载算法模型，机 器组合算法； 监督学习测试题；

特训营·第 4 计划·(阶段四)

聚类算法，k-means 对数据聚类； k-means，K均值聚类算法是先随机选取K个对象作为 初始的聚类中心。计算每个对象与各个种子聚类中心 之间的距离，把每个对象分配给距离它最近的聚类中 心，对电影评分聚类； 单连接聚类法、层次聚类法，通过某种相似性测度计 算节点之间的相似性；DBSCAN，Density-Based Spatial Clustering of Applications with Nois是一 个比较有代表性的基于密度的聚类算法； 高斯混合模型、高斯概率密度函数、正态分布曲线及 相关示例； 通过案例学习特征缩放； 降维，PCA 的原理(PCA降维原理是基于训练数据集 X的协方差矩阵C的特征向量组成的K阶矩阵U，XU得 到X的k阶降维矩阵Z。主要原理用的是协方差矩阵C 是一个实对角矩阵的性质和使用场景； 特征脸方法、 SVM 脸部识别，使用预处理来提取更 有意义的特征。这里使用主成份分析来提取150个基 本元素，然后将其提供给支持向量机分类器，将这个 预处理和分类器打包成管道； 随机投影(随机投影的理论依据是J-L Lemma，公式 的核心思想总结一句话就是： 在高维欧氏空间里的点集映射到低维空间里相对距离 得到某误差范围内的保持，独立成分分析，Lab学习 应用这些方法； 非监督学习测试题；

特训营·第 5 计划·(阶段五)

深度学习，这是机器学习中一种基于对数据进行表 征学习的方法。观测值（例如一幅图像）可以使用 多种方式来表示，如每个像素强度值的向量，或者 更抽象地表示成一系列边、特定形状的区域等，而 使用某些特定的表情识别，包括softmax、one-hot encoding和cross entropy感知器，与梯度下降； 神经网络结构，通过 backpropogation 来训练网 络优化神经网络，如 regularization 与 dropout 使用 Keras 分析 IMDB 电影数据； 卷积神经网络原理，卷积神经网络，包括Convo- lutional，Neural Networks, CNN，是一类包含 卷积计算且具有深度结构的前馈神经网络，Feed- forward、Neural Netwo，是深度学习（deep learning）的代表算法之一、图像识别、keras、 迁移学习； 深度学习在癌症（如皮肤癌）检测，将近13万张可用 的皮肤病变图像，覆盖了2000多种不同的疾病类型。 他们使用这一数据集创建了图像库，并将其作为原 始像素提供给算法，每个像素都带有标签，描述了相 关疾病的附加数据。研究人员训练算法总结出图像里 的模式，也即发现疾病经由组织传播在外观上所遵循 的规则；

特训营·第 6 计划·(阶段六)

强化学习(reinforcement learning)，又称再励学习 、评价学习，是一种重要的机器学习方法，在智能控 制机器人及分析预测等领域有许多应用，与 OpenAI Gym 的基础； 马尔科夫决策过程策略，基于马尔可夫过程理论的随 机动态系统的优决策过程； 马尔可夫决策过程是序贯决策的主要研究领域，它是 马尔可夫过程与确定性的动态规划相结合的产物，又 称马尔科夫型随机动态规划，属于运筹学中的数学规 划的一个分支，推到Bellman方程； 迭代策略评估、策略改进、策略迭代和值迭代； 蒙特卡洛预测，也叫蒙特卡罗（Monte Carlo）方法， 又称随机抽样或统计试验方法，控制方案、greedy算 法、epsilon-greedy算法； Sarsa、Q-Learning 、预期 Sarsa； 解决 OpenAI Gym(OpenAI Gym 是一个用于开发 和比较RL 算法的工具包，与其他的数值计算库兼容 ，如tensorflow 或者theano 库。现在主要支持的 是python 语言，以后将支持其他语言）的Taxi-v2 任务； 传统算法适用于连续空间； 深度神经网络将强化学习方法扩展到复杂问题； 基于策略的方法优化优策略； 基于价值、基于策略的方法，解决具有挑战性的强化 学习问题； 强化学习相关的测试题；