一、数据分析
1）常数e 2）导数 3）梯度	4） Taylor 5） gini系数 6）信息熵与组合数
二、概率论
1）概率论基础 2）古典模型 3）常见概率分布	4）大数定理和中心极限定理 5）协方差(矩阵)和相关系数 6）最大似然估计和最大后验估计
三、线性代数及矩阵
1）线性空间及线性变换 2）矩阵的基本概念练 3）状态转移矩阵 4）特征向量 5）矩阵的相关乘法	6）矩阵的QR分解 7）对称矩阵、正交矩阵、正定矩阵 8）矩阵的SVD分解 9）矩阵的求导 10）数据白化及其应用

阶段二、Python

本课程主要从环境搭、Python基础、Python常用库、Python机器学习库这四大块讲解基础，方便大家后续课程的学习中更好的理解机器学习和深度学习的相关算法内容。

一、环境搭建
1）Python3.7 2）Anaconda	3）Pycharm
二、Python基础
1）变量 2）数据类型 3）列表 4）元组 5）字典	6）控制语句 7）循环语句 8）函数 9）类对象
三、Python常用库
1）numpy 2）scipy 3）matplotlib	4）panda 5）time
四、Python机器学习库
1）scikit

阶段三、机器学习

本课程主要从机器学习概述、数据清洗和特征选择、回归算法、决策树、随机森林和提升算法、SVM、聚类算、EM算法、贝叶斯算法、隐马尔科夫模型、LDA主题模型等方面讲解一些机器学习的相关算法以及这些算法的优化过程，这些算法也就是监督算法或者无监督算法。

一、机器学习
1）机器学习概述
二、数据清洗和特征选择
1）特征抽取 2）特征转换	3）特征选择 4）降维
三、回归算法
1）Linear Regression算法 2）Lasso Regression算法 3）Ridge Regression/Classifier算法	4）Elastic Net算法 5）Logistic算法 6）K-邻近算法(KNN)
四、决策树、随机森林和提升算法
1）决策树算法: ID3、C4.5、CART 2）决策树优化 3）Bagging	4）随机森林 5）Adaboost算法 6）GBDT算法
五、SVM
1）线性可分支持向量机 2）核函数理解	3）SMO算法 4）SVM回归SVR和分类SVC
六、聚类算法
1）各种相似度度量介绍及相关关系 2）K-means算法 3）K-means算法优缺点及变种算法	4）密度聚类 5）层级聚类 6）谱聚类
七、EM算法
1）最大似然估计 2）EM算法原理讲解	3）多元高斯分布的EM实现 4）主题模型pLSA及EM算法
八、贝叶斯算法
1）朴素贝叶斯 2）条件概率表达形式	3）贝叶斯网络的表达形式
九、隐马尔科夫模型
1）概率计算问题 2）前向/后向算法	3）HMM的参数学习 4）高斯混合模型HMM
十、LDA主题模型
1）LDA主题模型概述 2）共轭先验分布 3）Dirichlet分布	4）Laplace平滑 5）Gibbs采样详解 6）LDA与word2Vec效果比较

阶段四、深度学习

本课程主要从深度学习概述、BP神经网络、CNN卷积神经网络、RNN循环神经网、TensorFlow等方面讲解深度学习相关算法以及深度学习框架的使用。

1）深度学习概述
2）BP神经网络
3）CNN卷积神经网络

4）RNN循环神经网络
5）TensorFlow

阶段五、分布式搜索引擎Elasticsearch开发

本课程旨在带领大家进入搜索引擎领域，从无到有，深入浅出的讲解了什么是搜索引擎，搜索引擎的作用以及ElasticSearch在实际工作中的作用等。

1）Elasticsearch概念
2）Elasticsearch安装和插件介绍
3）Elasticsearch基本使用和简单查询
4）Elasticsearch的Java客户端使用

5）Elasticsearch索引和Mapping
6）Elasticsearch搜索深入
7）Elasticsearch与Spring集成
8）Elasticsearch实战

阶段六、综合项目

本部分主要是对于前面第三和第四部分介绍到的内容进行一个综合项目的讲解，结合实际来进行机器学习/深度学习相关的内容。

1）广告CTR预估(GBDT+LR或者DNN)

2）时间序列预测(SVR或者RNN)

3）图像分类及检索(SVM或者CNN)

阶段七、企业项目实战课程

课程一、基于Python数据分析与机器学习案例实战教程

课程风格通俗易懂，基于真实数据集案例实战。主体课程分成三个大模块(1)python数
据分析，(2)机器学习经典算法原理详解,(3)十大经典案例实战。通过python数据科学库numpy,pandas,matplot结合机器学习库scikit-learn完成一些列的机器学习案例。算法课程注重于原理推导与流程解释，结合实例通俗讲解复杂的机器学习算法，并以实战为主，所有课时都结合代码演示。算法与项目相结合，选择经典kaggle项目，从数据预处理开始一步步代码实战带大家快速入门机器学习。旨在帮助同学们快速上手如何使用python库来完整机器学习案例。选择经典案例基于真实数据集，从数据预处理开始到建立机器学习模型以及效果评估，完整的讲解如何使用python及其常用库进行数据的分析和模型的建立。对于每一个面对的挑战，分析解决问题思路以及如何构造合适的模型并且给出合适评估方法。在每一个案例中，同学们可以快速掌握如何使用pandas进行数据的预处理和分析，使用matplotlib进行可视化的展示以及基于scikit-learn库的机器学习模型的建立。

1）Python数据分析与机器学习实战课程简介
2）Python快速入门
3）Python科学计算库Numpy
4）Python数据分析处理库Pandas
5）Python可视化库Matplotlib
6）回归算法
7）模型评估
8）K近邻算法
9）决策树与随机森林算法
10）支持向量机
11）贝叶斯算法
12）神经网络
13）Adaboost算法

14）SVD与推荐
15）聚类算法
16）案例实战：使用Python库分析处理Kobe Bryan职业生涯数据
17）案例实战：信用卡欺诈行为检测
18）案例实战：泰坦尼克号获救预测
19）案例实战：鸢尾花数据集分析
20）案例实战：级联结构的机器学习模型
21）案例实战：员工离职预测
22）案例实战：使用神经网络进行手写字体识别
23）案例实战：主成分分析
24）案例实战：基于NLP的股价预测
25）案例实战：借贷公司数据分析

课程二、人工智能与深度学习实战

课程风格通俗易懂，必备原理，形象解读，项目实战缺一不可！主体课程分成四个大模块(1)神经网络必备基础知识点，(2)深度学习模型，(3)深度学习框架Caffe与
Tensorflow，(4)深度学习项目实战。课程首先概述讲解深度学习应用与挑战，由计算机视觉中图像分类任务开始讲解深度学习的常规套路。对于复杂的神经网络，
将其展开成多个小模块进行逐一攻破，再挑战整体神经网络架构。对于深度学习模型形象解读卷积神经网络原理，详解其中涉及的每一个参数，对卷积网络架构展开
分析与评估，对于现阶段火爆的对抗生成网络以及强化学习给出形象解读，并配合项目实战实际演示效果。基于框架实战，选择两款深度学习最火框架，Caffe与
Tensorflow，首先讲解其基本使用方法，并结合案例演示如何应用框架构造神经网络模型并完成案例任务。选择经典深度学习项目实战，使用深度学习框架从零开
始完成人脸检测，验证码识别，人脸关键点定位，垃圾邮件分类，图像风格转换，AI自己玩游戏等。对于每一个项目实战，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。课程提供所涉及的所有数据，代码以及PPT，方便大家快速动手进行项目实践！

1）深度学习概述与挑战
2）图像分类基本原理门
3）深度学习必备基础知识点
4）神经网络反向传播原理
5）神经网络整体架构
6）神经网络案例实战图像分类任务
7）卷积神经网络基本原理
8）卷积参数详解
9）卷积神经网络案例实战
10）经典网络架构分析
11）分类与回归任务
12）三代物体检测算法分析
13）数据增强策略
14）TransferLearning
15）网络架构设计
16）深度学习框架Caffe网络结构配置
17）Caffe
18）深度学习项目实战人脸检测

19）人脸正负样本数据源制作
20）人脸检测网络架构配置习模型
21）人脸检测代码实战
22）人脸关键点定位项目实战
23）人脸关键点定位网络模型
24）人脸关键点定位构建级联网络
25）人脸关键点定位测试效果与分析
26）Tensorflow框架实战
27）Tensorflow构建回归模型
28）Tensorflow构建神经网络模型
29）Tensorflow深度学习模型
30）Tensorflow打造RNN网络模型
31）Tensorflow项目实战验证识别
32）项目实战图像风格转换
33）QLearning算法原理
34）DQN网络架构
35）项目实战DQN网络让AI自己玩游戏
36）项目实战对抗生成网络等

阶段八、职业素养

本课程主要为广大毕业生或者工作经验较少的学员而设立，主要是为了在职业素养方面给大家提供辅导，为更加顺利走向职场而提供帮助。

为什么有些同学在技能方面过关，却还是给予别人一种书生气的感觉？
为什么简历已经通过了，却还是没有通过HR的面试？
为什么入职后，与同事的沟通总是存在问题?
为什么每天的时间都不够用，无法兼顾生活学习和工作?
为什么学习一段时间后，对工作对职场没有方向感?
为什么遇到事情，别人总是能够保持良好心态游刃有余，而我总是问题百出？

COT课程正是引领大家一起来探索其中的奥秘和方法，让大家一起在学习过程中不断深思和进步，让大家的职场路越走越顺畅！

1）团队协作

2）心态管理

3）目标管理

4）时间管理

5）学习管理

6）沟通能力

7）求职目标

8）项目管理

转载来自：人工智能学习体系大纲_AI-人工智能_新浪博客
http://blog.sina.com.cn/s/blog_7dbb766f0102xdwu.html#commonComment

站内首发文章

onc-virn

发布了10 篇原创文章 · 获赞 14 · 访问量 1万+

私信关注

人工智能学习体系大纲

阶段一、数学基础

一、数据分析

二、概率论

三、线性代数及矩阵

阶段二、Python

一、环境搭建

二、Python基础

三、Python常用库

四、Python机器学习库

阶段三、机器学习

一、机器学习

二、数据清洗和特征选择

三、回归算法

四、决策树、随机森林和提升算法

五、SVM

六、聚类算法

七、EM算法

八、贝叶斯算法

九、隐马尔科夫模型

十、LDA主题模型