课程目标：

通过课程学习，可以理解机器学习的思维方式和关键技术；了解深度学习和机器学习在当前工业界的落地应用；能够根据数据分布选择合适的算法模型并书写代码，初步胜任使用Python进行数据挖掘、机器学习、深度学习等工作。

课程特点：

课程重视代码实践，使用金融、气象、农业、交通、安防等工业界实际数据（数据已脱敏）进行机器学习模型的落地应用。虽然课程坚持推导公式，但更重视机器学习和深度学习的原理与实操；将实际工作中遇到的行业应用和痛点做最直观切实的展示；重视算法模型的同时，更强调实际问题中应该如何模型选择、特征选择和调参。

课程大纲：

第一节：Python Package与TensorFlow框架

       解释器Python2.7/3.6与IDE：Anaconda/Pycharm

       列表/元组/字典/类/文件

       numpy/scipy/matplotlib/panda的介绍和典型使用

       scikit-learn的介绍和典型使用

       TensorFlow典型应用

       典型图像处理

       多种数学曲线

       多项式拟合

       快速傅里叶变换FFT

       奇异值分解SVD

       Soble/Prewitt/Laplacian算子与卷积网络

代码和案例实践：

       卷积与(指数)移动平均线

       股票数据分析

       缺失数据的处理

       环境数据异常检测和分析

       使用TensorFlow设计分类器

       使用TensorFlow完成线性回归

第二节：回归和随机森林

       线性回归

       Logistic/Softmax回归

       广义线性回归

       L1/L2正则化

       Ridge与LASSO

       Elastic Net

       梯度下降算法：BGD与SGD

       ID3、C4.5、CART详解

       决策树的正则化

       Bagging

       随机森林

       不平衡数据集的处理

       利用随机森林做特征选择

       使用随机森林计算样本相似度

       异常值检测

代码和案例实践：

       1.泰坦尼克号乘客缺失数据处理和存活率预测

       2.环境检测数据异常分析和预测

       3.模糊数据查询和数据校正方法

       4.PCA与鸢尾花数据分类

       5.二手车数据特征选择与算法模型比较

       6.广告投入与销售额回归分析

       7.鸢尾花数据集的分类

       8.决策树和随机森林的可视化

       9.葡萄酒数据集的决策树/随机森林分类

第三节：卷积神经网络CNN

       神经网络结构，滤波器，卷积

       池化，激活函数，反向传播

       目标分类与识别、目标检测与追踪

AlexNet、VGGNet、GoogleLeNet

       Inception-V3/V4

       ResNet、DenseNet

       RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN

       YOLO

       FaceNet

代码和案例实践：

       以图搜图

       人证合一