人工智能&&Python

Python人工智能学习规划

阶段一 人工智能之训练成果报告可视化技术课程一、数据可视化基础

• 1）可视化技术骨骼技术之HTML技术：HTML结构、HTML表单、HTML文档
• 2）可视化技术皮肤之CSS技术：CSS样式、样式引入技术
• 3）可视化技术驱动之Javascript与Jquery:Javascript事件、Javascript Dom和BOM操作、网页特效课 程二、图表可视化技术
• 1）百度图表可视化框架
• 2）百度图表可视化十大经典案例课程三、Python核心编程
• 1）Python介绍、Anaconda+Pycharm安装、Python语法格式简介、编码规范简介、常用关键字介绍
• 2）变量与赋值、运算符和基本运算、位运算、字符串处理
• 3）列表元祖、字典、数组、切片、列表推导式、浅拷贝和深拷贝
• 4）条件判断语句、循环控制语句
• 5）函数的定义、函数闭包、装饰器、lambda表达式、递归函数及尾递归优化、常用内置函数/高阶函数
• 6）项目案例：约瑟夫环问题
• 7）类和实例、访问限制、继承和多态及多重继承、获取对象信息、实例属性和类属性、模块和包、类 中的模式方法、异常和错误处理、debug调试课程四、Python高级编程+数据可视化
• 1）时间库，主要讲解time、datetime，为之后时间序列分析做准备。
• 2）python链接数据库，使用pymysql、pyhive操作数据仓库，存储数据源采集结果，以及存储训练成果。
• 3）文件、目录操作，通过os，file等模块实现文件、目录操作，方便数据文件提取。
• 4）机器学习模块库，掌握数值计算库Numpy、数据分析库Pandas，为之后机器学习算法实现奠定基 础。
• 5）数据可视化绘图库，使用matplotlib实现数据可视化

阶段二 人工智能之数据源采集及训练成果存储技术课程五、非分布式存储技术

• 1）利用关系型数据库存储数据源以及训练成果数据，掌握关系型数据库原理和数据结构、数据库环境搭建、数据仓库创建、数据工作表创建、数据仓库数据类型设定、数据仓库CRUD课程六、分布式存储技术
• 1）利用分布式数据仓库存储大数据源以及训练成果数据，掌握分布式环境搭建、分布式数据仓库Hive存储结构与原理、分布式数据仓库Hive实战应用课程七、Tableau人工智能训练成果展示
• 1）训练成果可视化展示利器，掌握了解数据可视化意义、Tableau十大经典可视化图形展示、Tableau训练成果可视化案例课程八、数据采集技术
• 1）数据采集技术原理，熟练掌握网络爬虫含义、爬虫原理以及反爬虫机制
• 2）数据采集应用，使用json、requests，lxml，beatuifulSoup模块实现数据的采集与解析
• 3）数据采集实战，实现百度图片下载、博客园博文数据采集、Python100例数据采集、QQ音乐数据采集及音乐文件下载

阶段三 人工智能之机器学习课程九、数学基础

• 1）数据分析：熟练掌握常数e、导数、梯度、Taylor、gini系数、信息熵与组合数、梯度下降、牛顿法等知识点；
• 2）概率论：微积分与逼近论、极限、微分、积分基本概念、利用逼近的思想理解微分，利用积分的方式理解概率、概率论基础、古典模型、常见概率分布、大数定理和中心极限定理、协方差(矩阵)和相关系数、最大似然估计和最大后验估计等知识点；
• 3）线性代数及矩阵：线性空间及线性变换、矩阵的基本概念、状态转移矩阵、特征向量、矩阵的相关乘法、矩阵的QR分解、对称矩阵、正交矩阵、正定矩阵、矩阵的SVD分解、矩阵的求导、矩阵映射/投影等知识点；
• 4）凸显示：凸优化基本概念、凸集、凸函数、凸优化问题标准形式、凸优化之Lagerange对偶处、凸优化之牛顿法、梯度下降法求解课程十、机器学习
• 1）机器学习概述
• 2）数据清洗和特征选择：实现特征抽取、特征转换、特征选择、降维、NLP特征工程
• 3）回归算法：Linear Regression算法、Lasso Regression算法、Ridge Regression/Classifier算法、Elastic Net算法、Logistic算法、K-邻近算法(KNN)
• 4）决策树、随机森林和提升算法：决策树算法: ID3、C4.5、CART、决策树优化、Bagging和Boosting算法、随机森林、Adaboost算法、GBDT算法、Xgboost、LightGBM
• 5）SVM：线性可分支持向量机、核函数理解、SMO算法、SVM回归SVR和分类SVC
• 6）聚类算法：各种相似度度量介绍及相关关系、K-means算法、K-means算法优缺点及变种算法、密度聚类、层、聚类、谱聚类
• 7）EM算法：最大似然估计、EM算法原理讲解、多元高斯分布的EM实现、主题模型pLSA及EM算法
• 8）贝叶斯算法：朴素贝叶斯、条件概率表达形式、贝叶斯网络的表达形式
• 9）隐马尔科夫模型：概率计算问题、前向/后向算法、HMM的参数学习、高斯混合模型HMM
• 10）LDA主题模型：LDA主题模型概述、共轭先验分布、Dirichlet分布、Laplace平滑、Gibbs采样详解、LDA与word2Vec效果比较。课程十一、Pyspark
• 1）Hadoop基础
• 2）Spark基础
• 3）Spark Mlib机器学习

阶段四 人工智能之智能推荐技术课程十二、Python开发高手推荐系统

• 1）推荐算法概述
• 2）推荐算法理论介绍(协同过滤、基于内存的推荐、基于知识的推荐等)
• 3） 数据挖掘相关算法(关联规则、Aprior算法)
• 4） 项目案例：音乐推荐、隐因子模型推荐
  阶段五、人工智能之深度学习课程十三、深度学习
• 1）Tensorflow基本应用：掌握Tensorflow环境配置、Tensorflow基本概念、Tensorflow函数式编程、Tensorflw执行流程、Tensorflw之上的工具库：Keras，以及基于Tensorflow实现回归算法实现。
• 2）深度学习概述
• 3）感知器神经网络
• 4）BP神经网络
• 5）RBF径向基神经网络
• 6）CNN卷积神经网络
• 7）RNN循环神经网络
• 8）生成对抗网络（GAN，WGAN，EBGAN，DCGAN等）

阶段六 人工智能之图像处理技术课程十四、图像处理篇

• 1）图像基础：图像读，写，保存，画图（线，圆，多边形，添加文字）
• 2）图像操作及算数运算：图像像素读取，算数运算，ROI区域提取
• 3）图像颜色空间运算:图像颜色空间相互转化
• 4）图像几何变换:平移，旋转，仿射变换，透视变换等
• 5）图像形态学:腐蚀，膨胀，开/闭运算等
• 6）图像轮廓:长宽，面积，周长，外接圆，方向，平均颜色，层次轮廓等
• 7）图像统计学:图像直方图
• 8）图像滤波:高斯滤波，均值滤波，双边滤波，拉普拉斯滤波等

阶段七 人工智能之自然语言处理技术课程

• 1）词（分词，词性标注）代码实战
• 2）词（深度学习之词向量，字向量）代码实战
• 3）词（深度学习之实体识别和关系抽取）代码实战
• 4）词（关键词提取，无用词过滤）代码实战
• 5）句（句法分析，语义分析）代码实战
• 6）句（自然语言理解,一阶逻辑）代码实战
• 7）句（深度学习之文本相似度）代码实战

阶段八 人工智能之企业项目实战

• 实战型项目一、基于FaceNet、云平台的人脸识别及人脸检索系统
• 使用深度学习框架从零开始完成人脸检测的核心技术图像类别识别的操作，从数据预 处理开始一步步构建网络模型并展开分析与评估，方便大家快速动手进行项目实践！ 识别上千种人脸，返回层次化结构的每个人的标签。
• 实战型项目二、三、四、五、六…

阶段九 人工智能篇之企业项目实战…

阶段十 架构实战篇…