人工智能学习路径

第一阶段：零基础快速上手编程
在线直播：1-基本python类型、判断与循环流程等
在线实训：2-python基本练习题
在线直播：3-文件/数据读写、面向对象、第三方库等
在线实训：4-多种数据读写与面向对象练习
线下实战：5-python基本练习题 与 google python实战题
第二阶段：数据分析全攻略
在线直播：1-pandas花式数据统计与分析技能
在线实训：2-pandas综合练习
在线直播：3-用pandas完成机器学习数据预处理与特征工程
在线实训：4-pandas完成Kaggle机器学习预处理
线下实战：5-美国大选、共享单车数据分析
第三阶段：可视化提升数据逼格技能get
在线直播：1-好用的python可视化利器matplotlib
在线实训：2-matplotlib完成Titanic和自行车租赁数据可视化
在线直播：3-自带各种数据拟合分析的可视化利器seaborn
在线实训：4-seaborn完成Titanic和自行车租赁数据可视化
线下实战：5-美国大选、共享单车可视化技能巩固与实战
第四阶段：玩转大数据
在线直播：1-hadoop与map-reduce
在线实训：2-手写map-reduce完成词频统计，制作词云
在线直播：3-Spark与大数据处理
在线实训：4-Spark大数据日志分析
线下实战：5-大数据分析处理案例
第五阶段：机器学习原理
在线视频：1-线性回归、logistic回归、梯度下降
在线视频：2-决策树、随机森林、GBDT
在线视频：3-SVM与数据分类
在线视频：4-特征工程：数据清洗、异常点处理、特征抽取、选择与组合
在线直播：5-logistic回归 Softmax SVM 与 朴素贝叶斯的精髓速讲
在线实训：6-算法核心要点巩固(上)
在线直播：7-决策树 随机森林 boosting 模型融合的精髓速讲
在线实训：8-算法核心要点巩固(下)
线下实战：9-机器学习算法面试要点大考察
第六阶段：机器学习实战
在线直播：机器学习流程、基本分类与回归模型

1-ML综述及sklearn库简介 
2-ML算法一览（各类算法及简单应用） 
3-数据预处理及验证
4-回归案例
在线实训：Kaggle机器学习比赛中的特征工程处理实战

在线直播：机器学习中的特征工程与模型调优，sklearn用法

1-特征工程（独热向量编码，分段与离散化，多项式特征）
2-特征处理、特征构造、 特征选择
3-模型评估与参数调优
4-流程化处理：PIPELINE 
在线实训：sklean接口熟悉与机器学习建模指导

线下实战：sklearn建模与使用

1-手把手带你get scikit-learn机器学习建模重要点
2-get迅速上手建模的技能
3-学习如何进行模型调优，一步步优化自己的模型
4-包括数个Kaggle与天池案例
 

在线直播：XGBoost与LightGBM精讲

1-建模调参（数据清洗、特征处理、特征选择、模型的调参、评估）
2-模型状态（过/欠拟合、状态验证、过/欠拟合的调整、模型调优）
3-模型融合（集体智慧：投票器/Bagging/随机森林/Boosting）
4-XGBoost简介及三类参数详解，和代码实现
在线实训：sklearn刷Kaggle比赛题

在线直播：自然语言处理相关问题与建模

1-Kaggle便利店销售预测案例
2-比赛开发流程：数据准备、数据特征处理、XGBoost设参、训练与分析
3-NLP案例1：分类与打标签的应用：资讯，金融
4-NLP案例2：中文情感分析
在线实训：XGBoost与LightGBM使用

在线直播：金融风控比赛实战

1-微额借贷风控案例：数据分析、特征处理、特征选择、模型设计
2-风控算法案例：数据清洗、特征选择、类别不平衡解决、模型设计
3-模型融合及项目代码
在线实训：数据科学比赛练习赛

线下实战：集成算法与场景建模

1-集成模型在多个比赛和工业场景的应用
2-熟练XGBoost和LightGBM的使用
3-使用树形Boosting模型达到最佳拟合效果
 

第七阶段：深度学习原理到实战
在线视频：1-神经网络初步：全连接与反向传播
在线视频：2-卷积神经网络与计算机视觉
在线视频：3-循环神经网络与自然语言处理
在线视频：4-深度学习实践：Caffe与Tensorflow项目实战
在线直播：5-深度神经网络、google wide&&deep模型、腾讯通用CTR神经网络框架与实现
在线直播：6-卷积神经网络、caffe实战图像分类、Tensorflow实战图像风格变换实现
在线直播：7-循环神经网络、Tensorflow实战情感分析与文本生成实现
线下实战：8-Caffe&&Tensorflow实战
第八阶段：实际综合项目与就业指导
线下实战：1-自然语言处理项目
(文本数据抓取+spark/pandas数据分析+可视化+特征抽取+Sklearn/Spark机器学习建模+深度学习建模)

线下实战：2-分类与推荐系统实战
(音乐数据抓取+spark/pandas分析+可视化+协同过滤+隐语义模型+特征抽取分类建模)

线下实战：3-图像项目
(图像分类+图像检索)

线下实战：4-机器学习面试辅导

原文：https://blog.csdn.net/btujack/article/details/78832998