一、python基础学习

1.print使用     2.运算符和变量     3.循环

4.列表元组字典  5.if条件   6.函数  7.模块

8.类的使用     9.input用法  10.文件读写  11.异常处理

二、科学计算包numpy使用学习

1.numpy的属性   2.创建array   3.numpy的运算

4:随机数生成以及矩阵的运算   5.numpy的索引

6.array合并      7.array分割

三、绘图工具包matplotlib学习

1.基础用法    2.figure图像   3.设置坐标轴  

4.legend图例   5.scatter散点图

四、数据分析库pandas使用学习

1.Series,DataFrame   2.选择数据   3.赋值及操作

4.读取及写入文件     5.合并  案例：处理丢失数据

五、人工智能与机器学习基础

1.人工智能概述   2.机器学习概述 3.机器学习算法应用分析

六、回归算法

1.一元线性回归   2.代价函数

3.梯度下降法     4.标准方程法  

5.sklearn一元线性回归应用  

6.多元线性回归

7.sklearn多元线性回归应用  

8.非线性回归介绍

案例：葡萄酒质量和时间的关系

案例：波士顿房价预测项目

七、KNN分类算法

1.KNN分类算法介绍  

2.KNN分类算法应用  

3.KNN分类算法与应用实现

案例：鸢尾花分类

八、决策树算法

1.决策树-信息熵,ID3,C4.5算法介绍

2.sklearn实现决策树    

3.决策树-CART算法   

4.CART算法实践          

5.决策树解决线性二分类问题

6.决策树解决非线性二分类问题   

案例：叶子分类项目   案例：银行用户购买行为预测

九、集成算法与随机森林

1.Bagging介绍与使用   

2.随机森林介绍与使用

3.Adaboost介绍与使用  

4.Stacking和Voting介绍与使用  案例：用户流失分析

十、K-means聚类算法

1.K-means算法介绍   

2.K-means算法应用

3.K-means算法实际应用案例   

案例：NBA球队实力聚类分析

十一、支持向量机

1.SVM算法介绍与原理推导   

2.支持向量的作用  

3.核函数的作用   

4.建模方法  案例：SVM完成人脸识别应用

十二、泰坦尼克号获救预测案例

1.缺失值填充    2.特征筛选   3.案例实战

十三、深度学习基础-神经网络介绍

1.人工神经网络发展史     

2.单层感知器

3.激活函数，损失函数和梯度下降法

4.BP算法介绍    案例：BP算法解决手写数字识别问题

十四、Tensorflow基础应用

1.Tensorflow安装

2.Tensorlfow基础知识：图，变量，fetch，feed

3.Tensorflow线性回归    

4.Tensorflow非线性回归

5.Mnist数据集合Softmax讲解

6.使用BP神经网络搭建手写数字识别

7.交叉熵(cross-entropy)讲解和使用

8.过拟合,正则化,Dropout  9.各种优化器Optimizer

十五、卷积神经网络CNN应用

1.CNN卷积神经网络 

2.卷积层、池化层（均值池化、******池化）

3.深度残差网络讲解   3.CNN实现MNIST数据集分类  

4.CNN手写数字案例  

十六、长短时记忆网络LSTM应用

1.RNN循环神经网络       

2.RNN应用案例（MNIST图像分类）

3.长短时记忆网络LSTM    

4.LSTM应用案例（MNIST图像分类）

十七、Google图像识别模型inception-v3项目实战

1.使用训练好的inception-v3完成图像识别

2.用自己收集的数据训练图像识别模型

3.使用迁移学习完成图像分类

十八、文本分类项目实战

1.自然语言处理项目介绍     

2.word2vec介绍及结果可视化

3.用CNN训练一个新的文本分类模型

4.用LSTM训练一个新的文本分类模型

十九、目标检测项目实战

1.目标检测项目简介  2.R-CNN模型详解

3.SPPNET模型详解   4.Fast-RCNN模型详解  

5.Faster-RCNN模型详解

6.Tensorflow实现Faster-RCNN目标检测

7.测试目标检测模型效果、目标检测算法标签标注

二十、辅助课程

1.针对学员面对的实践问题展开讨论、方案建议

2.建立QQ群、微信群（课后免费技术指导）

3.配备机器学习和深度学习开发教材，便于课后逐步提高能力。