学习计划

哎 4万多的课程实在上不起
只能把人家的课程表扒下来自己学了
且学且珍惜
课程链接 ：https://www.jiuzhang.com/course/20/#course-price 买不起 哭唧唧！

第2章

Python 基本语法基础 Introduction to Python I

• Python基础类型
• 整形
• 布尔类型
• 字符与字符串类型
• 程序控制流
  • 控制结构-if语句
  • 循环结构
• 函数的定义及调用
• Python内置数据结构一
  • 数据结构之List
  • 数据结构之tuple

第3章

机器学习Python Data Analysis - Pandas

• 什么是Pandas？
  • 机器学习
  • Pandas的安装
  • Pandas的使用
• Pandas的数据结构
  • Series
  • DataFrame
• Pandas的进阶用法
  • 文件读写I/O
  • 重要的基本方法
  • 数据分组（Groupby)
  • 数据合并
  • 缺失值和异常值处理

第4章

机器学习KNN算法入门 Machine Learning - KNN algorithm

• 了解最近邻算法
• 什么是KNN
• 最近邻算法
• 入门KNN算法框架
• 如何定义“像”、“类似”？
• 特征工程Feature Engineering
• 训练模型
• 测试Test
• 如何在数学上定义相似呢？
• 如何预测类别
• 最近的一个点有误差？
• KNN算法的流程
• 识别数据图像
• 识别图像中的数字
• 如何寻找Feature？
• 计算机如何处理图像？
• 掌握模型评估标准
• 如何评价模型
• Confusion Matrix
• 评价指标公式表
• 多分类问题及评价
• 常见命令总结

Python 基本语法基础 Introduction to Python II

• Python基础类型
• Python的基础类型Dict
• Python的基础类型Set
• Python实现快速排序和归并排序
• 排序Sort
• 常见的排序算法
• 归并排序与快速排序
• Python中的排序 - 合并两个有序数组
• Python中的排序 - 快速排序
• 4.3 Python中如何使用排序方法
  • Python中的排序 - 对List进行排序
  • Python中的排序的选择
• Lambda, Map, Filter, Reduce函数的使用
• Python - 匿名函数lambda
• Python - filter函数
• Python - map函数
• Python - reduce函数

第6章

Python面向对象、第三方库等介绍 Python - OOD

• 函数与类 Function & Class
• 函数 Function
• 函数递归Recursion
• 递归三要素
• 类和对象 Class & Object
• Python的属性访问限制
• 类的继承 Inheritance
• 类的继承
• isinstance方法
• 实例属性和类属性
• Python文件读写
• 多重继承
• 异常的捕捉 Exception
• 异常的捕捉
• try/except语句
• Json数据类型
• Python Json数据
• Python Json数据 dumps
• Python Json数据 loads

第7章

机器学习KNN 算法实战 Machine Learning - KNN algorithm II

• 最近邻算法
• 找最近的K个点
• KNN算法的流程
• 实现KNN算法
• 手写数字识别
• Numpy数组
• 项目实战
• 泰坦尼克号
• 数据清洗
• 常见命令总结
• Pandas
• 解决问题的流程图

第8章

线性回归 Linear Regression

• 什么是线性回归Linear Regression
• Linear Regression
• 如何建模求解
• 用于预测变量的值
• 问题定义
• Linear Regression的任务
• 项目展示
• Kaggle房价预测
• Linear Regression是如何预测的
• 计算指标
• 总结有用的命令

第9章

Python 数据分析之爬虫项目 I Python crawler I

• 什么是爬虫？
• 实现第一个Spider抓取链家租房信息
• 如何使用Python请求这个URL的内容？
• Python Requests
• GET VS POST
• Python Requests SESSION会话
• Spider介绍
• Python之Scrapy
• Scrapy 链家租房信息抓取
• Scrapy命令行创建
• Scrapy 介绍 - 链家租房信息抓取
• Spider填写
• 使用Python的requests相关包发送请求

第10章

Python 数据分析之爬虫项目 II Python crawler II

• Scrapy回顾
• Scrapy介绍
• Scrapy进阶
• 设计抓取微信公众号文章
• Wechat Crawler简介
• 获取公众号信息
• 获取最近的文章
• 爬虫利器Beautiful Soup的用法
• Beautiful Soup的用法
• Beautiful Soup的CSS选择器
• 补充知识
• Python的多线程实现方式
• Python的Queue模块

第11章

逻辑斯蒂回归I Logistic RegressionI

• 什么是线性回归Logistic Regression
• Logistic Regression
• 项目实战
• 预测跳槽概率
• 如何建模求解
• Logistic Regression是如何预测的
• 如何表示Y
• 数据处理：加入哑变量
• 比值（Odds）和赔率
• Logistic Regression模型公式
• 计算指标
• 总结有用的命令

第12章

逻辑斯蒂回归II Logistic RegressionII

• 机器学习中的Loss Function
• 机器学习的基本架构
• 监督机器学习中的基本概念和术语
• Logistic Regression优化
• Logistic Regression
• Logistic Regression模型公式
• Logistic Regression求解
• 损失函数
• 梯度下降Gradient Descent
• 理论推导Logistic Regression梯度
• Logistic Regression梯度计算
• 手写梯度下降程序
• 编写Logistic Regression梯度下降
• 多类Logistic Regression

第13章

机器学习Python Data Analysis- Numpy Matplotlib

• Numpy
• 能够读懂大多数numpy操作 代码
• 会使用基础操作
• 对于高阶功能知道numpy有无函数对应
• Matplotlib
• 能制作简单图示
• 能根据要求修饰图

第14章

朴素贝叶斯 I Naive Bayes 1

• 概率及条件概率
• 条件概率的灵活运用
• 公式变化的拓展
• 贝叶斯定理
• 朴素贝叶斯分类器如何解决垃圾邮件分类
• 朴素贝叶斯(Naïve Bayes)分类器
• 贝叶斯数学公式
• 朴素贝叶斯的工程技巧
• 数据处理技巧-分词
• 数据处理技巧-词干提取/词形还原

第15章

逻辑斯蒂回归III Logistic RegressionIII

• 推广能力
• 推广能力Generalization
• 推广能力的克星：过拟合Overfitting
• 过拟合
• 正则化
• 交叉验证
• 参数和超参数
• 归纳偏见
• 项目实战
• 手写数字识别
• 泰坦尼克号

第16章

机器学习常用算法 ML algorithms

• 降维
• 降维是什么？
• 为什么需要降维？
• 前置数学知识
• 怎么进行数据降维？
• 主成分分析(PCA)
• 聚类算法
• 聚类算法概念
• 聚类算法——K-Means
• K-Means K值的取值方法
• K-Means 初始K个点的选择
• 项目——人脸聚类

第17章

朴素贝叶斯 2 Naive Bayes II

• 朴素贝叶斯垃圾邮件分类器 – 手工实现
• 朴素贝叶斯的一般过程
• 平滑与不平滑
• 其他常用Metrics
• 多种概率分布与贝叶斯模型结合
• 伯努利分布
• 伯努利分布与朴素贝叶斯结合
• 多项式分布
• 多项式分布与朴素贝叶斯结合
• 高斯分布
• 高斯分布与朴素贝叶斯结合
• TF-IDF
• 电影评论情感预测
• 电影评论情感预测 – 代码实现

第18章

决策树算法 I Decision Tree 1

• 决策树的概念
• 决策树的表示
• 算法流程
• 如何选择特征？
• 什么时候停止？
• overfitting 与奥卡姆剃刀准则
• 决策树的特点总结
• 决策树复杂度的表示与选择
• 决策树在点集上的实验
• 决策树的特点

第19章

神经网络Neural Network 1

• 什么是Neural Networks
• 神经元模型
• 人工神经网络
• 神经网络Neural Network
• 神经元Perceptron
• 层Layer
• 如何计算
• 神经网络的计算能力
• 神经网络可以实现更复杂的函数
• 神经网络解决异或问题
• 神经网络的用途
• 项目实战
• Kaggle: Otto Product
• 训练神经网络
• 链式法则
• 反向传播算法Backpropagation
• 反向传播算法示例
• 如何优化
• 参数优化技巧
• 随机梯度下降Stochastic Gradient Descent
• Batch and Epoch
• 检查梯度

第20章

神经网络 Neural Network 2

• 什么是Neural Networks
• 神经元模型
• 人工神经网络
• 神经网络Neural Network
• 神经元Perceptron
• 层Layer
• 如何计算
• 神经网络的计算能力
• 神经网络可以实现更复杂的函数
• 神经网络解决异或问题
• 神经网络的用途
• 项目实战
• Kaggle: Otto Product
• 训练神经网络
• 链式法则
• 反向传播算法Backpropagation
• 反向传播算法示例
• 如何优化
• 参数优化技巧
• 随机梯度下降Stochastic Gradient Descent
• Batch and Epoch
• 检查梯度

第21章

决策树算法 II Decision Tree 2

• Titanic 数据集的分析
• 决策树代码
• 实现决策树
• 特征选择
• 划分终止条件

第22章

机器学习集成I Ensemble 1

• 什么是Ensemble?
• 决策树习题答案
• 什么是 Ensemble?
• 为什么学习集成方法？
• Bias vs Variance
• 模型预测与真实值之间的差距
• Irreducible Error
• 选择哪个射击成绩？
• 复杂模型的特点
• Bias Variance Tradeoff
• Bootstrap and Bagging
• Bootstrap测身高
• Bootstrap 代码
• Bagging training code
• Random Forest
• Bagging based on decision tree
• Random Forest
• Bagging
• Fake Random Forest
• Random Forest
• Adaboosting
• 随机森林的问题
• 弱学习器
• AdaBoost
• 分类器权重更新原则
• 数据点权重的更新原则
• 如何评估模型的结果？
• 如何更新模型的权重？

第23章

机器学习竞赛入门机器学习竞赛入门 Introduction to Machine Learning Contest

• 机器学习竞赛简介
• 机器学习竞赛-为什么参加竞赛？
• 机器学习竞赛-赛制
• 机器学习竞赛-平台
• 机器学习竞赛-Kaggle赛题类型
• 机器学习竞赛流程
• 竞赛流程-技术点
• 数据探索和样本构造（Data)
• 模型选择、调优和融合（Model)
• 参加机器学习竞赛的建议

第24章

梯度提升决策树 GBDT

• 什么是GBDT？
• 集成学习
• 机器学习三要素
• Gradient Boosting
• GBDT的应用
• 回归问题
• 分类问题
• XGBoost简介
• XGBoost特性

第25章

机器学习集成 II Ensemble 2

• Bias 与 Variance 的计算
• Bias vs Variance
• Bias和 Varianceጱੜਫḵ
• 基于决策树的Bagging
• Bagging training code
• 基于随机森林的房价预测
• 基于随机森林的蘑菇毒性分类
• Fake Random Forest code
• 基于Adaboost的癌症病人分类
• AdaBoost code

第26章

机器学习集成 IIIEnsemble 3

• Why Bootstrap work ?
• Bootstrap性质
• 脑洞系列：ensemble 与 deep learning 的联想
• Dropout
• 两层神经网络
• Adaboosting 完全实现
• Adaboost
• Adaboost 的完全实现

第27章

广告系统 I Introduction to Online Advertisement System ISystem I

• 什么是互联网广告？
• 广告 Advertisement
• 传统广告
• 互联网广告
• 广告系统架构简介
• 广告系统技术架构简图
• 广告系统技术
• CTR / CVR预估
• CTR / CVR预估-数据
• CTR / CVR预估-模型
• CTR / CVR预估-LR特征工程
• CTR / CVR预估-LR正则化
• CTR / CVR预估-特征
• CTR / CVR预估-效果评估
• CTR / CVR预估-实践

第28章

广告点击率预估 II Introduction to Online Advertisement System II

• 什么是互联网广告？
• 广告 Advertisement
• 传统广告
• 互联网广告
• 广告系统架构简介
• 广告系统技术架构简图
• 广告系统技术
• CTR / CVR预估
• CTR / CVR预估-数据
• CTR / CVR预估-模型
• CTR / CVR预估-LR特征工程
• CTR / CVR预估-LR正则化
• CTR / CVR预估-特征
• CTR / CVR预估-效果评估
• CTR / CVR预估-实践

第29章

Tensor flow 基础搭建机器学习模型

• Tensorflow
• Tensorflow的计算原理
• Tensorflow的基本操作
• 使用Tensorflow搭建基础模型
• linear regression
• logis/c regression
• KNN
• Naïve Bayes
• Random Forest

第30章

Tensor flow 基础搭建机器学习模型

• Tensorflow
• Tensorflow的计算原理
• Tensorflow的基本操作
• 使用Tensorflow搭建基础模型
• linear regression
• logis/c regression
• KNN
• Naïve Bayes
• Random Forest

第31章

深度学习 1 CNN

• 早期的(2012年前)的图像识别技术
• 什么是Image representation && why
• HISTGRAM
• HOG
• LBP
• 卷积神经网络
• 什么是卷积
• 为什么用卷积
• 为什么卷积work
• 人脸识别技术概述
• 人脸识别pipeline
• 人脸检测pipeline
• 如何训练

第32章

深度学习 2 CNN

• 卷积神经网络
• 卷积神经网络的架构
• 卷积神经网络的层
• 卷积神经网络的构成
• 卷积神经网络 IN ACTION
• 卷积层的实现-Cpu
• 卷积层的实现-gpu
• 推导 && numpy实现
• 实际会遇到的问题“必须有”的知识
• 卷积神经网络参数估计
• 卷积神经网络训练时间估计
• 节省时间方法
• 对不定长输入的处理
• 卷积网络技巧
• 样本不均衡问题

第33章

机器学习总结

• 分类问题 （classification）
• 回归问题 (regression)
• 数据预处理
• 特征选择与降维
• KNN
• Na⎪ve Bayes
• Linear/Logistic Regression/Neural Nets
• Decision Tree
• Ensemble
• Deep Learning

第34章

强化学习 1 - 入门介绍：Basic introduction

• 强化学习
• 强化学习的定义
• 人工智能
• 机器学习
• 深度学习
• 如何让机器在动态的世界中进行行为学习？
• 行为学习（在哪学）
• 行为学习（学什么）
• 行为学习（怎么学）
• 强化学习的抽象模型
• 关于围棋的问题
• 扫地机器人的例子
• 从强化学习到深度强化学习
• 什么是深度强化学习
• 优点及应用例子
• 学习深度强化学习的环境
• 强化学习的缺点和局限

第35章

目标检测算法与R-CNN, Introduction to the object detection algorithm and R-CNN

• 卷积神经网络（CNN）简单回顾
• CNN怎么识别图片
• 怎么提取特征？
• 卷积计算原理
• 深度卷积神经网络
• 如何使用CNN进行物体检测
• CNN为什么work
• 什么是物体检测
• 传统目标检测方法的发展
• 替代传统目标检测算法
• R-CNN算法介绍
• R-CNN算法——Selective Search
• 输入图像
• 提取特征——CNN模型
• 结果分类——SVM分类器
• 位置精修——线性脊回归器
• R-CNN算法——预测结果的选取
• 3.4 如何加速基于CNN的物体检测
• 3.5 项目实战
  • 实现简单的R-CNN算法

第36章

Fast R-CNN与Faster R-CNN, Fast R-CNN and faster R-CNN

• 如何加速R-CNN算法
• R-CNN算法回顾
• R-CNN的缺点
• Faster R-CNN算法介绍
• Fast R-CNN算法
• Fast R-CNN算法不足
• Faster R-CNN算法 —— Conv Layers
• Faster R-CNN算法 —— RPN
• Faster R-CNN算法 —— ROI Pooling
• Faster R-CNN算法 —— Classfication
• R-CNN系列算法对比
• 项目实战
• 训练一个人脸检测的模型
• Tensorflow使用流程

第37章

强化学习 2 - 马科夫决策过程（Markov Decision Process MDP）

• 回顾强化学习的抽象模型
• 强化学习的抽象模型
• 马科夫决策过程 (MDP)
• 方格游戏
• 如何用MDP去解决方格游戏的问题？
• 策略（Policy）
• 值函数（Value Functions）
• 最佳值函数（Optimal Value Functions）
• 为什么叫马科夫决策过程？

第38章

强化学习 3 - 游戏项目1 - 学习迷宫导航

• 实战项目背景介绍
• 背景介绍：FrozenLake
• 环境（environment）
• 熟悉强化学习框架的实际应用
• 理解“环境”，“状态”，“动作”，“奖励”在实际代码中的体现
• 动手实现策略迭代和数值迭代
• 策略迭代(Policy Iteration)
• 数值迭代(Value Iteration)
• 进行模型训练，求解最佳策略
• Policy Iteration vs Value Iteration

第39章

人脸识别1, Face recognition1

• 人脸识别流程
• 直观的解决方案
• 改进的解决方案
• MTCNN算法
• Multi task
• Cascaded
• Fully convolutional networks 全卷积神经网络
• 项目实战
• 实现和训练MTCNN

第40章

人脸识别2, Face recognition2

• 人脸识别流程
• 人脸识别——方法一
• 人脸识别——方法二
• 人脸识别思路
• FaceNet算法
• Triplet Loss
• FaceNet网络结构
• 项目实战
• 代码解释和模型训练

第41章

强化学习 4 - Deep Q Network

• 重点回顾
• Policy
• Value Function
• Value Iteration
• 使用深度神经网络去表达强化学习算法
• DQN
• 解决方案： 样本的相关性(Correlation)
• 解决方案：目标不稳定
• 经验回放
• 类似算法
• Double DQN
• Dueling Networks

第42章

强化学习 5 - 游戏项目2 - 学习视觉游戏

• 实战项目背景介绍
• Atari
• Space Invader
• 框架代码是如何组织的
• DQN核心实现
• 核心网络： Network Model
• 经验回放：ReplayMemory
• “机器人”：Agent
• 可优化的地方
• 带优先级的经验回放
• 跳帧（frame-skipping technique）
• Double DQN
• Dueling Networks

第43章

模型的选择与使用cnn 视觉

• 视觉课程总结
  • 视觉课程总结——物体检测
  • 视觉课程总结——人脸检测与特征点检测
  • 视觉课程总结——人脸识别
• CNN算法结构分析
• 模型介绍
  • AlexNet
  • VGGNet
  • ResNet
  • DenseNet
• 比较与总结

第44章

项目：深度学习的应用

• 人脸识别流程
• 模型导出
• 人脸识别系统
• 人脸识别系统——Docker

第45章

机器翻译 seq - to - seq model 1

• RNN
• RNN – WHY ORDER MATTERS
• RNN – STRUCTURE
• RNN - Interesting applications
• RNN - 阶段性
• 机器翻译
• 机器翻译系统
• 机器翻译与冷战
• 机器翻译-统计学习
• 机器翻译-平行语料库
• 机器翻译-统计学习
• NMT 神经网络机器翻译
• 分类网络

第46章

机器翻译 seq - to - seq model 2

• 机器翻译实战
• 机器翻译实战 — 梯度下降中的梯度裁剪
• BEAM SEARCH 例⼦
• LSTM && RNN

第47章

推荐系统 word - vector 1

• Word2vec和词嵌⼊
• embedding
• 什么是word2vec
• 词向量
• 为什么需要词向
• 词向量的⽤途
• 什么是“上下⽂”
• Word2vec基本原理
• Word2vec基本原理 – 简化模型原理
• Word2vec基本原理 – 训练⽅法(以CBOW为例)
• Word2vec进阶
• 实际使⽤过程中的trick
• Hierarchical Softmax
• Negative sampling
• Negative Sampling负采样⽅法
• Word2vec常⽤实现
• Word2vec缺点
• 将word2vec应⽤到app推荐

第48章

推荐系统word - vector 2

• ml⾯试和dl ⾯试的区别
• ml⾯试和dl ⾯试的区别
• 如何准备ml⾯试和dl⾯试
• 常⻅的ml⾯试题
• 传统机器学习部分常⻅问题
• 常⻅的dl⾯试题
• 深度学习部分常⻅问题
• 如何写好项⽬经历
• 训练营中项⽬示例
• 逆向⾯试官
• ⾯试的case
• 计算机视觉岗
• nlp岗
• 广告算法岗
• 机器学习算法岗