年薪50万的AI人才缺口上百万：AI领域两大重磅消息!

先说一个坏消息：

 2017 年 8 月，在国务院印发的《新一代人工智能发展规划》中明确提出：

要在中小学阶段设置人工智能相关课程，把高端人才队伍建设作为人工智能发展的重中之重。

而在2018年1月 教育部印发的《普通高中课程方案和语文等学科课程标准》新加入了数据结构、人工智能、开源硬件设计等 AI 相关的课程。

这意味着职场新人和准备找工作的同学们，为了在今后十年内不被淘汰，你们要补课了，从初中开始。

随着智能支付、无人驾驶、医疗辅助诊断等人工智能应用的落地，传统行业将遭受巨大冲击。

“未来人工智能（AI）冲击最大的四个行业是制造业、教育、金融和医疗。”

中国人工智能学会理事长、中国工程院院士李德毅对未来人工智能在传统产业的变革作出如是判断。

再说一个好消息：

人工智能尖端人才远远不能满足需求。行业风口的人工智能，在中国人才缺口将超过500万人，而中国人工智能人才数量目前只有5万（数据来自 LINKEDIN《全球AI领域人才报告》及工信部教育考试中心）。

并且目前岗位溢价相当严重，2017年人工智能在互联网岗位薪酬中位列第三，月薪20.1k，仅次于管理岗。

所以如果你对自己的专业/工作不满意，现在正是进入人工智能领域学习就业/转业的最佳时机。

学习人工智能的门槛在哪里？

人工智能是一个多学科交叉的领域，需要涉及到高等数学，线性代数，概率论的知识作为数学基础，需要python等计算机语言作为编程基础。

在面对众多的数学知识和编程知识里，自学会让大家耗费大量的时间金钱。
因此，我们推出了人工智能《机器学习365天特训营》课程。

《机器学习365天特训营》由中国科学院计算技术研究所人工智能博士团队主讲。零基础开始学习，从发展历程、概念、基本名词、术语、评估方法讲起，到算法模型与实战演练。从零开始学习，1年成为机器学习专家！

为了保证大家的学习效果和就业情况，我们提供的服务：

1、中国科学院计算技术研究所博士讲师授课；

2、365天的系统学习期，每周跟老师直播学习，在线答疑，并完成课后作业；
3、全天24小时课程问答服务，让你的每一个问题都能够得到解答；
4、全天24小时社群交流；
5、课程资料下载，课后作业；
6、阶段测试与毕业测试，并颁发结业证书，为成绩优异者推荐就业。
7、课程的后三个月如果测试成绩合格者可以推荐人工智能相关企业进行实习，并对实习表现优秀者和毕业成绩优秀者保证就业。

2018年5月19日起365天，每周两次直播，365天100次（理论+实战）课程（讲师直播答疑，课程72*4小时问答服务，学院社群72*4小时交流，课程资料随时下载）

机器学习在算法实现上需要Python编程基础，所以现在报名免费赠送售价298元的《Python零基础入门》课程

学习机器学习需要一定的数学基础，所以现在报名免费赠送售价899元的《人工智能数学基础8天集训营》课程

助力您解决人工智能学习中所需要用到的数学知识、Python编程知识。

立即开始体系化学习，所有知识一步到位！

直播 + 回放：2018年5月19日开始365天，每周六19：00，20：00开课，直播回放随时随地回看。

讲师简介：张迎伟，中国科学院计算技术研究所机器学习方向博士，曾参与项目：
1、面向帕金森病的多模态在线预警方法研究—国家自然科学基金(No.61502456, No.61572471);
2、基于人机交互技术的安全驾驶映射系统—国家国际科技合作专项(No.2014DFG12750);
3、散发性帕金森病风险基因图谱与预警评估方法研究—北京市科学技术委员会北京脑科学研究项目(No.Z161100000216140);
4、广东省大数据科学中心项目“基于多模态大数据的复杂疾病临床诊断标准及应用”—广东省科技计划项目(No.2015B010105001) NSFC等国家级项目。

报名费用及优惠详情：
1、折后特惠价：2999元。
2、限时优惠：
      a、前50名立刻减免300元，即仅需2699元
      b、前51-100名立刻减免200元，即仅需2799元
         （报名后联系助教返现红包，助教微信见下方二维码）
3、团购优惠券：
      a、每人可领取报名人数*100元的优惠券，上限团购10人；
      b、超出十人团队请与客服（微信：见下方二维码）直接取得联系。

说明：以上优惠可叠加使用。例：宿舍4人一起在前50人报名，每人实际应付2999-300-400=2299元。

长按二维码立即报名

长按二维码联系助教

《机器学习365天特训营》课程大纲：

第一部分 基础篇

第1章

1.1 引言

1.2 基本术语

1.3 假设空间

1.4 归纳偏好

1.5 发展历程

1.6 应用现状

第2章 模型评估与选择

2.1 经验误差与过拟合

2.2 评估方法

2.2.1 留出法

2.2.2 交叉验证法

2.2.3 自助法

2.2.4 调参与最终模型

2.3 性能度量

2.3.1 错误率与精度

2.3.2 查准率、查全率与F1

2.3.3 ROC与AUC

2.3.4 代价敏感错误率与代价曲线

2.4 比较检验

2.4.1 假设检验

2.4.2 交叉验证t检验

2.4.3 McNemar检验

2.4.4 Friedman检验与后续检验

2.5 偏差与方差

第3章 线性模型

3.1 基本形式

3.2 线性回归

3.3 对数几率回归

3.4 线性判别分析

3.5 多分类学习

3.6 类别不平衡问题

第4章 决策树

4.1 基本流程

4.2 划分选择

4.2.1 信息增益

4.2.2 增益率

4.2.3 基尼指数

4.3 剪枝处理

4.3.1 预剪枝

4.3.2 后剪枝

4.4 连续与缺失值

4.4.1 连续值处理

4.4.2 缺失值处理

4.5 多变量决策树

第5章 神经网络

5.1 神经元模型

5.2 感知机与多层网络

5.3 误差逆传播算法

5.4 全局最小与局部极小

5.5 其他常见神经网络

5.5.1 RBF网络

5.5.2 ART网络

5.5.3 SOM网络

5.5.4 级联相关网络

5.5.5 Elman网络

5.5.6 Boltzmann机

5.6 深度学习

第6章 支持向量机

6.1 间隔与支持向量

6.2 对偶问题

6.3 核函数

6.4 软间隔与正则化

6.5 支持向量回归

6.6 核方法

第7章 贝叶斯分类器

7.1 贝叶斯决策论

7.2 极大似然估计

7.3 朴素贝叶斯分类器

7.4 半朴素贝叶斯分类器

7.5 贝叶斯网

7.5.1 结构

7.5.2 学习

7.5.3 推断

7.6 EM算法

第8章 集成学习

8.1 个体与集成

8.2 Boosting

8.3 Bagging与随机森林

8.3.1 Bagging

8.3.2 随机森林

8.4 结合策略

8.4.1 平均法

8.4.2 投票法

8.4.3 学习法

8.5 多样性

8.5.1 误差--分歧分解

8.5.2 多样性度量

8.5.3 多样性增强

第9章 聚类

9.1 聚类任务

9.2 性能度量

9.3 距离计算

9.4 原型聚类

9.4.1 k均值算法

9.4.2 学习向量量化

9.4.3 高斯混合聚类

9.5 密度聚类

9.6 层次聚类

第10章 降维与度量学习

10.1 k近邻学习

10.2 低维嵌入

10.3 主成分分析

10.4 核化线性降维

10.5 流形学习

10.5.1 等度量映射

10.5.2 局部线性嵌入

10.6 度量学习

第二部分 进阶篇

第11章 特征选择与稀疏学习

11.1 子集搜索与评价

11.2 过滤式选择

11.3 包裹式选择

11.4 嵌入式选择与L_1正则化

11.5 稀疏表示与字典学习

11.6 压缩感知

第12章 计算学习理论

12.1 基础知识

12.2 PAC学习

12.3 有限假设空间

12.3.1 可分情形

12.3.2 不可分情形

12.4 VC维

12.5 Rademacher复杂度

12.6 稳定性

第13章 半监督学习

13.1 未标记样本

13.2 生成式方法

13.3 半监督SVM

13.4 图半监督学习

13.5 基于分歧的方法

13.6 半监督聚类

第14章 概率图模型

14.1 隐马尔可夫模型

14.2 马尔可夫随机场

14.3 条件随机场

14.4 学习与推断

14.4.1 变量消去

14.4.2 信念传播

14.5 近似推断

14.5.1 MCMC采样

14.5.2 变分推断

14.6 话题模型

第15章 规则学习

15.1 基本概念

15.2 序贯覆盖

15.3 剪枝优化

15.4 一阶规则学习

15.5 归纳逻辑程序设计

15.5.1 最小一般泛化

15.5.2 逆归结

第16章 强化学习

16.1 任务与奖赏

16.2 K-摇臂赌博机

16.2.1 探索与利用

16.2.2 ε-贪心

16.2.3 Softmax

16.3 有模型学习

16.3.1 策略评估

16.3.2 策略改进

16.3.3 策略迭代与值迭代

16.4 免模型学习

16.4.1 蒙特卡罗强化学习

16.4.2 时序差分学习

16.5 值函数近似

16.6 模仿学习

16.6.1 直接模仿学习

16.6.2 逆强化学习

第17章 增量学习

17.1 被动攻击学习

17.1.1 梯度下降量的抑制

17.1.2 被动攻击分类

17.1.3 被动攻击回归

17.2 适应正则化学习

17.2.1 参数分布的学习

17.2.2 适应正则化分类

17.2.3 适应正则化回归

17.3 增量随机森林

第18章 迁移学习

18.1 迁移学习简介

18.1.1 什么是迁移学习

18.1.2 迁移学习VS传统机器学习

18.1.3 应用领域

18.2 迁移学习的分类方法

18.2.1 按迁移情境

18.2.2 按特征空间

18.2.3 按迁移方法

18.3 代表性研究成果

18.2.1 域适配问题

18.2.2 多源迁移学习

18.2.3 深度迁移学习

第19章 主动学习

19.1 主动学习简介

19.2 主动学习思想

19.3 主动学习VS半监督学习

19.4 主动学习VS Self-Learning

第20章 多任务学习

20.1 使用最小二乘回归的多任务学习

20.2 使用最小二乘概率分类器的多任务学习

20.3 多次维输出函数的学习

第三部分 实战篇

第21章 机器学习应用场景介绍

21.1 机器学习经典应用场景

21.2 头脑风暴：挖掘身边的应用场景

第22章 数据预处理

22.1 数据降噪

22.2 数据分割

第23章 特征提取

23.1 时域特征

23.2 频域特征

23.3 自动特征提取

第24章 机器学习方法应用

24.1 应用机器学习方法之前的处理

24.2 使用机器学习分类

24.3 机器学习调参

24.4 分类结果展示

还在等什么？快邀请自己的小伙伴一起来加入《机器学习365天特训营》吧！未来将是属于我们的时代！点击“阅读原文”进行报名！如有疑问，请随时联系客服（上方二维码）。