九章算法-人工智能集训营 第26期|2023版|独家资源

项目全面升级，零基础掌握16+2工业级项目，通过实战深入学习人工智能算法及工业化流程，快速提升简历，斩获心仪offer

第一章【直播】机器学习从0到1 Introduction to Machine Learning

• 人工智能、机器学习和深度学习
• 人工智能的用途

处理大量数据

根据数据和数学假设建立并训练模型

进行预测、分类、感知、认知等任务

• 个人职业发展

国内外人工智能/机器学习领域的就业前景展望

• 机器学习的例子

人类学习

机器学习

获取数据集

特征工程

训练模型

测试

• 机器学习中的模型
• 人工智能集训营项目介绍

第二章【视频】机器学习Python Data Analysis – Pandas

• 什么是Pandas？

机器学习

Pandas的安装

Pandas的使用

• Pandas的数据结构

Series

DataFrame

• Pandas的进阶用法

文件读写I/O

重要的基本方法

数据分组（Groupby)

数据合并

缺失值和异常值处理

第三章【视频】Python 基本语法基础 Introduction to Python I

• Python基础类型

整形

布尔类型

字符与字符串类型

• 程序控制流

控制结构-if语句

循环结构

• 函数的定义及调用
• Python内置数据结构一

数据结构之List

数据结构之tuple

第四章【直播】机器学习KNN算法入门（ Machine Learning – KNN algorithm）

• 了解最近邻算法

什么是KNN

最近邻算法

• 入门KNN算法框架

如何定义“像”、“类似”？

特征工程Feature Engineering

训练模型

测试Test

如何在数学上定义相似呢？

如何预测类别

最近的一个点有误差？

KNN算法的流程

• 识别数据图像

识别图像中的数字

如何寻找Feature？

计算机如何处理图像？

• 掌握模型评估标准

如何评价模型

Confusion Matrix

评价指标公式表

多分类问题及评价

• 常见命令总结

第五章【视频】Python 基本语法基础 Introduction to Python II

• Python基础类型

Python的基础类型Dict

Python的基础类型Set

• Python实现快速排序和归并排序

排序Sort

常见的排序算法

归并排序与快速排序

Python中的排序 – 合并两个有序数组

Python中的排序 – 快速排序

• Python中如何使用排序方法

Python中的排序 – 对List进行排序

Python中的排序的选择

• Lambda, Map, Filter, Reduce函数的使用

Python – 匿名函数lambda

Python – filter函数

Python – map函数

Python – reduce函数

第六章【视频】机器学习 Python Data Analysis- Numpy Matplotlib

• Numpy

能够读懂大多数numpy操作 代码

会使用基础操作

对于高阶功能知道numpy有无函数对应

• Matplotlib

能制作简单图示

能根据要求修饰图

第七章【视频】Python面向对象、第三方库等介绍 Python – OOD

• 函数与类 Function & Class

函数 Function

函数递归Recursion

递归三要素

类和对象 Class & Object

Python的属性访问限制

• 类的继承 Inheritance

类的继承

isinstance方法

实例属性和类属性

Python文件读写

多重继承

• 异常的捕捉 Exception

异常的捕捉

try/except语句

• Json数据类型

Python Json数据

Python Json数据 dumps

Python Json数据 loads

第八章【视频】线性回归 Linear Regression

• 什么是线性回归Linear Regression

Linear Regression

• 如何建模求解

用于预测变量的值

问题定义

Linear Regression的任务

• 项目展示

Kaggle房价预测

Linear Regression是如何预测的

计算指标

• 总结有用的命令

第九章【视频】朴素贝叶斯I-Naive Bayes 1

• 概率及条件概率

条件概率的灵活运用

公式变化的拓展

• 贝叶斯定理

朴素贝叶斯分类器如何解决垃圾邮件分类

朴素贝叶斯(Naïve Bayes)分类器

• 贝叶斯数学公式
• 朴素贝叶斯的工程技巧

数据处理技巧-分词

数据处理技巧-词干提取/词形还原

第十章【视频】朴素贝叶斯II-Naive Bayes 2

• 朴素贝叶斯垃圾邮件分类器 – 手工实现

朴素贝叶斯的一般过程

平滑与不平滑

其他常用Metrics

• 多种概率分布与贝叶斯模型结合

伯努利分布

伯努利分布与朴素贝叶斯结合

多项式分布

多项式分布与朴素贝叶斯结合

高斯分布

高斯分布与朴素贝叶斯结合

• TF-IDF
• 电影评论情感预测

电影评论情感预测 – 代码实现

第十一章【视频】逻辑斯蒂回归I-Logistic Regression I

• 什么是线性回归Logistic Regression

Logistic Regression

• 项目实战

预测跳槽概率

• 如何建模求解

Logistic Regression是如何预测的

如何表示Y

数据处理：加入哑变量

比值（Odds）和赔率

Logistic Regression模型公式

计算指标

• 总结有用的命令

第十二章【视频】逻辑斯蒂回归II-Logistic Regression II

• 机器学习中的Loss Function

机器学习的基本架构

监督机器学习中的基本概念和术语

• Logistic Regression优化

Logistic Regression

Logistic Regression模型公式

Logistic Regression求解

损失函数

梯度下降Gradient Descent

• 理论推导Logistic Regression梯度

Logistic Regression梯度计算

• 手写梯度下降程序

编写Logistic Regression梯度下降

• 多类Logistic Regression

第十三章【视频】逻辑斯蒂回归III-Logistic RegressionIII

• 推广能力

推广能力Generalization

推广能力的克星：过拟合Overfitting

• 过拟合

正则化

交叉验证

• 参数和超参数
• 归纳偏见
• 项目实战

手写数字识别

泰坦尼克号

第十四章【视频】决策树算法I-(Decision Tree 1)

• 决策树的概念

决策树的表示

• 算法流程

如何选择特征？

什么时候停止？

overfitting 与奥卡姆剃刀准则

• 决策树的特点总结

决策树复杂度的表示与选择

决策树在点集上的实验

决策树的特点

第十五章【视频】决策树算法II-(Decision Tree 2)

• Titanic 数据集的分析

决策树代码

• 实现决策树

特征选择

划分终止条件

第十六章【视频】降维及聚类常用算法 ML algorithms

• 降维

降维是什么？

为什么需要降维？

初步数学知识

怎么进行数据降维？

主成分分析（PCA）

• 聚类算法

聚类算法概念

聚类算法——K-Means

K均值K值的取值方法

K-Means初始K个点的选择

• 项目-人脸聚类

第十七章【直播】梯度提升决策树GBDT

• 什么是GBDT？

集成学习

机器学习三要素

Gradient Boosting

• GBDT的应用

回归问题

分类问题

• XGBoost简介

XGBoost特性

第十八章【视频】机器学习集成I-(Ensemble 1)

• 偏差与方差

定义偏差，方差，噪声

计算泛化误差

偏差-方差窘境

• 集成学习

定义和分类

如何集成

• Bagging (套袋法)

Bagging的优势

随机森林

第十九章【视频】机器学习集成 II-( Ensemble 2)

• Bias 与 Variance 的计算

Bias vs Variance

• 基于决策树的Bagging

Bagging training code

• 基于随机森林的房价预测
• 基于随机森林的蘑菇毒性分类

Fake Random Forest code

• 基于Adaboost的癌症病人分类

AdaBoost code

 

第二十章【视频】机器学习集成 III-(Ensemble 3)

• Why Bootstrap work ?

Bootstrap性质

• 脑洞系列：ensemble 与 deep learning 的联想

Dropout

两层神经网络

• Adaboosting 完全实现

Adaboost

Adaboost 的完全实现

第二十一章【直播】神经网络Neural Network 1

• 什么是Neural Networks

神经元模型

人工神经网络

神经网络Neural Network

神经元Perceptron

层Layer

• 如何计算

神经网络的计算能力

神经网络可以实现更复杂的函数

神经网络解决异或问题

神经网络的用途

• 项目实战

Kaggle: Otto Product

训练神经网络

链式法则

反向传播算法Backpropagation

反向传播算法示例

• 如何优化

参数优化技巧

随机梯度下降Stochastic Gradient Descent

Batch and Epoch

检查梯度

第二十二章【视频】机器学习(总结)

• 分类问题 （classification）
• 回归问题 (regression)

数据预处理

特征选择与降维

KNN

• Na⎪ve Bayes

Linear/Logistic Regression/Neural Nets

Decision Tree

Ensemble

Deep Learning

第二十三章【视频】TensorFlow-基础

• 深度学习简介
• 深度学习的特点

可并行

参数量大

GPU的大规模使用

• TensorFlow简介及优势
• TensorFlow基本概念

计算图

张量

• 基础操作

定义变量/常量

基本计算

• 自动求导
• 高级API：Keras

第二十四章【直播】神经网络 Neural Network 2

• 什么是Neural Networks

神经元模型

人工神经网络

神经网络Neural Network

神经元Perceptron

层Layer

• 如何计算

神经网络的计算能力

神经网络可以实现更复杂的函数

神经网络解决异或问题

神经网络的用途

• 项目实战

Kaggle: Otto Product

训练神经网络

链式法则

反向传播算法Backpropagation

反向传播算法示例

• 如何优化

参数优化技巧

随机梯度下降Stochastic Gradient Descent

Batch and Epoch

检查梯度

第二十五章【视频】数字图像基础与数字图像处理

• 图像分割深度学习模型

SegNet

U-Net

V-Net

DeepLab V3

• 图像分割数据集

VOC

PASCAL-Context Dataset

CoCo

Cityscapes

• 图像分割性能指标
• 项目Segmentation Modeling

第二十六章【视频】卷积神经网络入门

• 什么是互联网广告？

广告 Advertisement

传统广告

互联网广告

• 广告系统架构简介

广告系统技术架构简图

广告系统技术

• CTR / CVR预估

CTR / CVR预估-数据

CTR / CVR预估-模型

CTR / CVR预估-LR特征工程

CTR / CVR预估-LR正则化

CTR / CVR预估-特征

CTR / CVR预估-效果评估

CTR / CVR预估-实践

第二十七章【视频】卷积神经网络基本架构与实践

• 什么是互联网广告？

广告 Advertisement

传统广告

互联网广告

• 广告系统架构简介

广告系统技术架构简图

广告系统技术

• CTR / CVR预估

CTR / CVR预估-数据

CTR / CVR预估-模型

CTR / CVR预估-LR特征工程

CTR / CVR预估-LR正则化

CTR / CVR预估-特征

CTR / CVR预估-效果评估

CTR / CVR预估-实践

第二十八章【视频】强化学习1-入门介绍：Basic introduction

• 强化学习

强化学习的定义

人工智能

机器学习

深度学习

• 如何让机器在动态的世界中进行行为学习？

行为学习（在哪学）

行为学习（学什么）

行为学习（怎么学）

• 强化学习的抽象模型

关于围棋的问题

扫地机器人的例子

• 从强化学习到深度强化学习

什么是深度强化学习

优点及应用例子

学习深度强化学习的环境

• 强化学习的缺点和局限

第二十九章【直播】推荐系统入门

• 什么是推荐系统？
• 推荐系统的评估
• 经典的推荐算法 – 协同过滤

协同过滤的原理

项目实战-电影推荐

第三十章【视频】协同过滤进阶和矩阵分解

• 协同过滤的进阶技巧
• 矩阵分解算法

矩阵分解的原理

矩阵分解的求解过程

矩阵分解的优点和局限性

第三十一章【视频】强化学习2 – 马科夫决策过程（Markov Decision Process MDP）

• 回顾强化学习的抽象模型

强化学习的抽象模型

• 马科夫决策过程 (MDP)

方格游戏

如何用MDP去解决方格游戏的问题？

策略（Policy）

值函数（Value Functions）

最佳值函数（Optimal Value Functions）

为什么叫马科夫决策过程？

第三十二章【视频】强化学习 3 – 游戏项目1 – 学习迷宫导航

• 实战项目背景介绍

背景介绍：FrozenLake

环境（environment）

• 熟悉强化学习框架的实际应用
• 理解“环境”，“状态”，“动作”，“奖励”在实际代码中的体现
• 动手实现策略迭代和数值迭代

策略迭代(Policy Iteration)

数值迭代(Value Iteration)

• 进行模型训练，求解最佳策略

Policy Iteration vs Value Iteration

第三十三章【视频】强化学习4 – Deep Q Network

• 重点回顾

Policy

Value Function

Value Iteration

• 使用深度神经网络去表达强化学习算法

DQN

解决方案： 样本的相关性(Correlation)

解决方案：目标不稳定

• 经验回放
• 类似算法

Double DQN

Dueling Networks

第三十四章【视频】融合多种特征的推荐模型

• FM和FFM模型

FM模型-隐向量交叉特征

FFM模型-引入特征域

• 加法模型-GBDT

第三十五章【直播】深度推荐模型

• 深度学习的加入-DeepFM
• 基于DeepFM实现淘宝物品推荐算法

第三十六章【视频】强化学习5 – 游戏项目2 – 学习视觉游戏

• 实战项目背景介绍

Atari

Space Invader

• 框架代码是如何组织的
• DQN核心实现

核心网络： Network Model

经验回放：ReplayMemory

“机器人”：Agent

• 可优化的地方

带优先级的经验回放

跳帧（frame-skipping technique）

Double DQN

Dueling Networks

第三十七章【视频】NLP在工业界的现状 及 文本在神经网络的表示

• 应用领域
• 典型任务
• 文本输入表示 – 怎样在神经网络中表示文本

第三十八章【视频】机器学习竞赛入门 Introduction To Machine Learning Contest

• 机器学习竞赛简介

机器学习竞赛-为什么参加竞赛？

机器学习竞赛-赛制

机器学习竞赛-平台

机器学习竞赛-Kaggle赛题类型

• 机器学习竞赛流程

竞赛流程-技术点

数据探索和样本构造（Data)

模型选择、调优和融合（Model)

• 参加机器学习竞赛的建议

第三十九章【视频】循环神经网络

• 理论介绍

什么是循环神经网络

循环神经网络的结构

• 实践

用循环神经网络实现文本分类

第四十章【视频】机器翻译

• 理论介绍

机器翻译的发展过程

机器翻译的常见神经网络结构

• 实践

实现基于神经网络的机器翻译模型

第四十一章【直播】CV项目-CNN应用领域、项目类型及本期项目初探

• CNN概念、特点及网络架构回顾
• CNN应用领域及典型案例
• AI图像领域项目类型
• 本期CNN项目介绍
• 项目数据读取、分析及可视化

第四十二章【视频】CV项目-本期项目思路、图像预处理及CNN分类模型

• 本期项目项目整体思路及技术路线
• 图像预处理
• CNN分类模型构建
• 损失函数

第四十三章【视频】CV项目-CNN 概念进阶、可训练参数及分类模型评估

• CNN 概念进阶
• CNN可训练参数
• 分类模型评估指标

第四十四章【视频】CV项目-过拟合、正则化与数据增强

• 过拟合与欠拟合
• 正则化概念及方法
• Batch Normalization
• 数据增强
• 分类任务代码讲解

第四十五章【视频】CV项目-CNN经典模型及迁移学习

• CNN经典模型介绍及分析
• 迁移学习概念、方式及实践
• 迁移学习代码讲解

第四十六章【视频】CV项目-图像分割应用领域及主要算法

• 图像分割的概念
• 图像分割主要应用领域
• 经典图像分割算法介绍及分析
• 项目分割算法实现

第四十七章【视频】CV项目-图像分割任务整体实现

• 分割数据生成器
• 分割算法度量及损失函数
• 分割模型代码讲解
• 项目预测及结果提交

第四十八章【视频】CV项目-分割模型进阶及模型性能优化

• 分割中的数据增强
• 分割模型架构进阶
• 模型优化原则及方法
• 超参数优化

第四十九章【直播】CV项目-CNN项目案例分析：基于图像的推荐系统项目及课程整体回顾

• 案例分析1：视频监控及定位
• 案例分析2：基于图像的推荐系统项目
• 课程整体回顾
• CNN知识体系总结

第五十章【视频】NLP项目-项目背景及文本分类初探

• 项目背景介绍
• 实现方案讲解
• 代码框架搭建
• 简单模型验证

第五十一章【视频】NLP项目-深度学习在文本分类的应用

• 卷积网络文本分类器
• 循环网络文本分类器
• 代码实践 – 引入神经网络模型

第五十二章【视频】NLP项目-全局词向量与LSTM

• 全局词向量 – Glove Embedding
• 长短期记忆网络 – LSTM
• 代码实践 – 引入Pre-trained Word Embedding

第五十三章【视频】NLP项目-Attention & Transformer

• 注意力模型 – Attention
• 变形金刚？ – Transformer
• 代码实践 – 基于Transformer的代码

第五十四章【视频】NLP项目-Contextual Word Embedding与BERT Embedding

• 代码实践 – 引入Contextual Word Embedding
• GRU + CNN
• BERT Embedding

第五十五章【视频】NLP项目-GPT、BERT和基于语境的词表示

• 什么是语言模型
• 代码实践 – 实现一个语言模型
• GPT
• 预训练双向Transformer语言模型 – BERT
• 基于语境的词表示 – Contextualized Word Representation

第五十六章【视频】NLP项目-模型校准的概念及实践

• 模型校正的概念 – Model Calibration
• 模型矫正的方法 – Model Calibration Methods

第五十七章【视频】NLP项目-数据分析及提升

• 从数据角度进行分析及潜在提升
• 项目回顾及总结

第五十八章【视频】NLP项目-NLP模型的综合应用

• 真实系统场景模拟
• 代码实例讲解