人工智能-课程导学

一、掌握AI工具

    解决AI问题的一些主流工具，很多都是基于python的。
    python是一种浇水语言。
    Jupyter Notebook是基于（web框架）网页的用于交互计算的应用程序。其可被应用于全过程计算：开发、文档编写、运行代码和展示结果。支持运行 40 多种编程语言。可进行AI算法的快速迭代。
    NumPy工具包，进行数组运算，可实现很多强大的运算。
    pandas可进行数据的导入导出和引用。
    matplotlib工具包可以将算法结果展示出来。
    要进行机器学习，少不了scikit-learn工具包。
    深度学习有Keras。
    Anaconda软件可以帮助管理python开发的环境。

二、成熟标准的实战训练流程
1.数据加载及展示：对数据有一个大致的了解。
2.数据预处理：比如完成数据的格式转换，可以用于模型预测。或者是做一些异常数据筛选，剔除异常数据。或者做一些数据的维度缩减，让模型迭代起来会更快等。
3.模型建立及训练：针对不同的任务建立不同的模型。
4.模型预测：预测结果是怎样的，与原始数据进行对比，
5.结果展示及表现评估：通过可视化或者一定指标评估模型表现。

这一套流程会运用在不同的应用场景里：
1.回归任务：比如在进行房价预测时，通过一些指标（面积，常住人口等）预测房价的合理值。
2.分类任务：比如邮箱里有垃圾邮件和非垃圾邮件的分类。
3.监督学习：告诉计算机什么是对的什么是错的然后让它进行学习。
4.非监督学习：把数据丢给计算机，计算机会自动的去完成一些数据的预处理和判断。
5.迁移学习、混合算法

实战时，会涉及不同的应用行业：
1.房地产
2.工业
3.金融
4.机器视觉
5.自然语言处理
6.其他

部分案例：
1.评估合理房价
2.芯片质量好坏
3.股票价格预测
4.猫狗识别
5.文本生成
6.异常苹果自动检测

综合能力提升：
机器学习：
1.logistic regression(逻辑回归)
2.KNN(k近邻算法）
3.Decision tree(决策树）
4.linear regression(线性回归）
5.KMeans(k均值聚类）
6.Meanshift(聚类）
7.Anomaly Detection(异常检测）
8.PCA(主成分分析）

深度学习：
91.MLP(多层感知器）
10.CNN(卷积神经网络)
11.RNN(循环神经网络）

若有一个分类任务，可以用机器学习中的1，2，3来解决，也可以建立深度学习中的多层感知器。
监督类范畴：4，10，11
非监督类范畴：5，6
7，8可以帮助快速定位大量数据中的异常情况，亦可以把大量数据中的主要数据提取出来。
还会尝试混合类算法的搭建：CNN+clustering(混合算法）

三、课程概览
1.线性回归
（1）机器学习介绍
（2）回归分析：通过房价预测案例完成回归任务
（3）线性回归模型：重点。
（4）核心原理讲解：数学模型。
（5）代码实战
2.逻辑回归
（1）分类问题介绍：结果是非连续性的。
（2）分类模型框架：基本数学框架。
（3）逻辑回归分析：逻辑回归方程。
（4）核心原理讲解：如何求解模型，快速完成预测。
（5）代码实战：<1>预测学生是否可以通过考试
                         <2>预测芯片质量好坏
3.聚类
（1）无监督学习
（2）聚类分析：在一堆数据里找出一些有共同点的数据。
（3）k均值聚类
（4）KMeans VS KNN
（5）代码实战：没有标签数据的自动划分（2D数据自动聚类）
4.其他常用技术
（1）决策树：建立树状模型结构，完成分类任务
（2）异常数据检测：快速定位异常数据
（3）数据降维：降低数据维数
（4）主成分分析（PCA）：在降维时，保存主要数据成分
（5）代码实战：<1>决策树实现iris数据分类
                         <2>自动定位异常数据
5.模型评价与优化
（1）模型选择
（2）核心参数优化
（3）数据预处理
（4）混淆矩阵
（5）过拟合与欠拟合
（6）代码实战
6.多层感知器
（1）逻辑回归的局限性
（2）多层感知器
（3）MLP实现非线性分类
（4）MLP实现多分类
（5）代码实战
7.卷积神经网络
（1）普通MLP的局限性
（2）图像卷积运算
（3）卷积神经网络
（4）经典CNN模型
（5）代码实战
8.循环神经网络
（1）序列数据模型：建立模型突出数据前后的
（2）循环神经网络
（3）不同类型的RNN
（4）长短期记忆网络LSTM
（5）代码实战
9.迁移混合模型及课程总结
（1）迁移学习
（2）监督+无监督学习
（3）机器学习+深度学习
（4）课程回顾与总结
（5）代码实战