特訓(xùn)營·第 1 計(jì)劃·(階段一)
標(biāo)準(zhǔn)庫，擴(kuò)展庫，運(yùn)算符，表達(dá)式，字符串、轉(zhuǎn)義字
符，字符串的輸出和輸入，訪問字符串中的值，字符
串內(nèi)建函數(shù)；列表，包括列表訪問，列表運(yùn)算，深拷
貝/淺拷貝，列表常用的方法；字典，集合，條件表
達(dá)式，選擇結(jié)構(gòu)，包括while循環(huán)，break語句，for in
循環(huán)，range函數(shù)，continue語句；
函數(shù)參數(shù),變量作用域,lambda,生成器；
類的定義,使用,數(shù)據(jù)成員,成員方法,特殊方法,運(yùn)算符重
載；
numpy，包括NumPy 數(shù)學(xué)函數(shù)，NumPy 統(tǒng)計(jì)函數(shù)，
NumPy 矩陣庫(Matrix) ，NumPy 排序、條件刷選
函數(shù)，NumPy 線性代數(shù)，數(shù)組運(yùn)算，矩陣運(yùn)算，
scipy，pandas，如Pandas數(shù)據(jù)結(jié)構(gòu)，Pandas數(shù)據(jù)
幀（DataFrame）,Pandas面板，包括Pandas基本應(yīng)
用，Pandas描述性統(tǒng)計(jì)，Pandas函數(shù)應(yīng)用，Pandas
重建索引，Pandas迭代，Pandas統(tǒng)計(jì)函數(shù)；
特訓(xùn)營·第 2 計(jì)劃·(階段二)
Pandas 讀取數(shù)據(jù)， scikit-learn 訓(xùn)練與測(cè)試模型；
評(píng)估模型性能的指標(biāo)；
交叉驗(yàn)證(把給定的數(shù)據(jù)進(jìn)行切分，將切分的數(shù)據(jù)集分
為“訓(xùn)練集”和“驗(yàn)證集”（假設(shè)其中4份為train，1
份為validation），在此基礎(chǔ)上循環(huán)選取進(jìn)行訓(xùn)練
和驗(yàn)證。曲線判斷過欠擬合，用網(wǎng)絡(luò)搜索訓(xùn)練模型；
測(cè)試 NumPy 、 pandas 技能的掌握；
測(cè)試對(duì)模型評(píng)估與驗(yàn)證的理解；
特訓(xùn)營·第 3 計(jì)劃·(階段三)
分類與回歸的區(qū)別，學(xué)習(xí)使用線性回歸來做預(yù)測(cè)；
Iris經(jīng)典愛麗絲，愛麗絲進(jìn)化與文本矢量化，AI操作
流程，數(shù)據(jù)切割函數(shù)，Iris愛麗絲分解，線性回歸算
法，邏輯回歸算法；
樸素貝葉斯原理，樸素貝葉斯算法，KNN近鄰算法
，隨機(jī)森林算法，構(gòu)建垃圾郵件分類器；
決策樹算法，GBDT迭代決策樹算法，SVM向量機(jī)
，SVM-cross向量機(jī)交叉算方法，神經(jīng)網(wǎng)絡(luò)算法，
MLP神經(jīng)網(wǎng)絡(luò)算法，MLP_reg神經(jīng)網(wǎng)絡(luò)回歸算法，
探索泰坦尼克號(hào)乘客存活模型；
支持向量機(jī)以線性分離數(shù)據(jù)；
非線性可分的數(shù)據(jù)上來訓(xùn)練 SVM；
boosting 提升傳統(tǒng)方法；Adaboost，CCPP數(shù)據(jù)
集，數(shù)據(jù)集切割，讀取CCPP數(shù)據(jù)集，機(jī)器學(xué)習(xí)統(tǒng)一
接口，批量調(diào)用機(jī)器學(xué)習(xí)算法，一體化調(diào)用，存儲(chǔ)算
法模型，批量存儲(chǔ)算法模型，批量加載算法模型，機(jī)
器組合算法；
監(jiān)督學(xué)習(xí)測(cè)試題；
特訓(xùn)營·第 4 計(jì)劃·(階段四)
聚類算法，k-means 對(duì)數(shù)據(jù)聚類；
k-means，K均值聚類算法是先隨機(jī)選取K個(gè)對(duì)象作為
初始的聚類中心。計(jì)算每個(gè)對(duì)象與各個(gè)種子聚類中心
之間的距離，把每個(gè)對(duì)象分配給距離它最近的聚類中
心，對(duì)電影評(píng)分聚類；
單連接聚類法、層次聚類法，通過某種相似性測(cè)度計(jì)
算節(jié)點(diǎn)之間的相似性；DBSCAN，Density-Based
Spatial Clustering of Applications with Nois是一
個(gè)比較有代表性的基于密度的聚類算法；
高斯混合模型、高斯概率密度函數(shù)、正態(tài)分布曲線及
相關(guān)示例；
通過案例學(xué)習(xí)特征縮放；
降維，PCA 的原理(PCA降維原理是基于訓(xùn)練數(shù)據(jù)集
X的協(xié)方差矩陣C的特征向量組成的K階矩陣U，XU得
到X的k階降維矩陣Z。主要原理用的是協(xié)方差矩陣C
是一個(gè)實(shí)對(duì)角矩陣的性質(zhì)和使用場(chǎng)景；
特征臉方法、 SVM 臉部識(shí)別，使用預(yù)處理來提取更
有意義的特征。這里使用主成份分析來提取150個(gè)基
本元素，然后將其提供給支持向量機(jī)分類器，將這個(gè)
預(yù)處理和分類器打包成管道；
隨機(jī)投影(隨機(jī)投影的理論依據(jù)是J-L Lemma，公式
的核心思想總結(jié)一句話就是：
在高維歐氏空間里的點(diǎn)集映射到低維空間里相對(duì)距離
得到某誤差范圍內(nèi)的保持，獨(dú)立成分分析，Lab學(xué)習(xí)
應(yīng)用這些方法；
非監(jiān)督學(xué)習(xí)測(cè)試題；
特訓(xùn)營·第 5 計(jì)劃·(階段五)
深度學(xué)習(xí)，這是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表
征學(xué)習(xí)的方法。觀測(cè)值（例如一幅圖像）可以使用
多種方式來表示，如每個(gè)像素強(qiáng)度值的向量，或者
更抽象地表示成一系列邊、特定形狀的區(qū)域等，而
使用某些特定的表情識(shí)別，包括softmax、one-hot
encoding和cross entropy感知器，與梯度下降；
神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過 backpropogation 來訓(xùn)練網(wǎng)
絡(luò)優(yōu)化神經(jīng)網(wǎng)絡(luò)，如 regularization 與 dropout
使用 Keras 分析 IMDB 電影數(shù)據(jù)；
卷積神經(jīng)網(wǎng)絡(luò)原理，卷積神經(jīng)網(wǎng)絡(luò)，包括Convo-
lutional，Neural Networks, CNN，是一類包含
卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，F(xiàn)eed-
forward、Neural Netwo，是深度學(xué)習(xí)（deep
learning）的代表算法之一、圖像識(shí)別、keras、
遷移學(xué)習(xí)；
深度學(xué)習(xí)在癌癥（如皮膚癌）檢測(cè)，將近13萬張可用
的皮膚病變圖像，覆蓋了2000多種不同的疾病類型。
他們使用這一數(shù)據(jù)集創(chuàng)建了圖像庫，并將其作為原
始像素提供給算法，每個(gè)像素都帶有標(biāo)簽，描述了相
關(guān)疾病的附加數(shù)據(jù)。研究人員訓(xùn)練算法總結(jié)出圖像里
的模式，也即發(fā)現(xiàn)疾病經(jīng)由組織傳播在外觀上所遵循
的規(guī)則；
特訓(xùn)營·第 6 計(jì)劃·(階段六)
強(qiáng)化學(xué)習(xí)(reinforcement learning)，又稱再勵(lì)學(xué)習(xí)
、評(píng)價(jià)學(xué)習(xí)，是一種重要的機(jī)器學(xué)習(xí)方法，在智能控
制機(jī)器人及分析預(yù)測(cè)等領(lǐng)域有許多應(yīng)用，與 OpenAI
Gym 的基礎(chǔ)；
馬爾科夫決策過程策略，基于馬爾可夫過程理論的隨
機(jī)動(dòng)態(tài)系統(tǒng)的優(yōu)決策過程；
馬爾可夫決策過程是序貫決策的主要研究領(lǐng)域，它是
馬爾可夫過程與確定性的動(dòng)態(tài)規(guī)劃相結(jié)合的產(chǎn)物，又
稱馬爾科夫型隨機(jī)動(dòng)態(tài)規(guī)劃，屬于運(yùn)籌學(xué)中的數(shù)學(xué)規(guī)
劃的一個(gè)分支，推到Bellman方程；
迭代策略評(píng)估、策略改進(jìn)、策略迭代和值迭代；
蒙特卡洛預(yù)測(cè)，也叫蒙特卡羅（Monte Carlo）方法，
又稱隨機(jī)抽樣或統(tǒng)計(jì)試驗(yàn)方法，控制方案、greedy算
法、epsilon-greedy算法；
Sarsa、Q-Learning 、預(yù)期 Sarsa；
解決 OpenAI Gym(OpenAI Gym 是一個(gè)用于開發(fā)
和比較RL 算法的工具包，與其他的數(shù)值計(jì)算庫兼容
，如tensorflow 或者theano 庫?，F(xiàn)在主要支持的
是python 語言，以后將支持其他語言）的Taxi-v2
任務(wù)；
傳統(tǒng)算法適用于連續(xù)空間；
深度神經(jīng)網(wǎng)絡(luò)將強(qiáng)化學(xué)習(xí)方法擴(kuò)展到復(fù)雜問題；
基于策略的方法優(yōu)化優(yōu)策略；
基于價(jià)值、基于策略的方法，解決具有挑戰(zhàn)性的強(qiáng)化
學(xué)習(xí)問題；
強(qiáng)化學(xué)習(xí)相關(guān)的測(cè)試題；
滬ICP備18048269號(hào)-1 
電子營業(yè)執(zhí)照
教育
全國教育網(wǎng)站
企業(yè)信用等級(jí)AA級(jí)
合作/版權(quán)/投訴
