第二期VIP班全面升级
面向就业学习，培养你的核心竞争力！

（一期学员可申请新课程学习）

二期课程优化后，预计新增了15个小时的课时，相比第一期更贴近实战。同时为了提高学员的综合能力，我们增加了kaggle竞赛指导，让你的简历迅速增值！

新增内容：
数据降维、解决拟合问题、主流算法应用详解（直播）、算法面试过程模拟实战（直播），解析youtube的DL算法应用（直播），DL面试常见工程问题（直播）
新增版块：
Kaggle竞赛（全程指导），大数据（spark core+ spark sql+scala），价值1999元，仅限前10名！
新增实战：
基于卷积神经网络的端到端验证码识别
优化内容：
EDA与可视化、线性回归、逻辑回归

课程试听

课程试听
机器学习入门
线性代数-n维向量
算法工作流精讲
人工智能就业与面试

人工智能发展黄金时代

机器学习工程师潜力无限，企业重金聘请的稀缺人才

自2017年起，人工智能连续3年被写入政府工作报告，市场投资于人工智能领域的资金不断上涨，全球500强企业中有180家宣布启动人工智能项目。2022年中国人工智能核心产业规模将突破千亿元！

在AI 1.0时代，能够将智能算法运用到业务实践中的机器学习/算法工程师成为企业争相争夺的人才

转型人工智能行业

机器学习/算法工程师一定是你优先选择的第一步!

饿了么招聘

算法工程师(校招) (18K-22K)

任职要求:

1、计算机、统计相关专业本科及以上学历。
2、具有以下一个或多个领域的理论背景：机器学习/数据挖掘/深度学习/信息检索/自然语言处理/机制设计/博弈论；
3、有数据挖掘、机器学习、深度学习、最优化理论等相关基础和实际项目经验，熟悉典型算法；
4、编程基础扎实，熟悉算法数据结构，熟悉python/java；
5、有深度学习、NLP相关项目经验优先；有大数据相关系统，如Hadoop、Spark开发经验者优先。

字节跳动招聘:

数据挖掘与机器学习算法工程师 (25K-50K)

任职要求:

1、本科及以上学历，计算机、数学、通信相关专业，两年以上大数据挖掘和机器学习的项目经验；
2、熟悉常用的数据处理技术，编码能力较强;
3、熟悉常用数据挖掘技术和机器学习算法，熟悉其原理和适用范围；
4、熟练掌握的数据挖掘挖掘和机器学习的脚本和常用工具；
5、持续学习，保持跟进机器学习领域最新研究方向和成果，对于大数据应用在各个垂直领域的探索；

新浪网招聘:

机器学习算法工程师 (20K-25K)

岗位职责:

1、负责大规模机器学习建模和效果优化，负责个性化推荐算法设计和效果优化；
2、参与用户行为分析和挖掘，为算法和业务场景提供支持；
3、应用机器学习、自然语言处理、分类聚类等技术，针对海量信息建模，挖掘潜在商业价值。

任职要求:

1、计算机或相关专业本科及以上学历；
2、具备良好的编程能力和代码风格，熟练掌握C/C++、Java等一门强类型语言，并至少掌握一门脚本语言；
3、熟悉机器学习常用算法，有搜索、广告、推荐系统；
4、熟悉Hadoop/HBase/Hive/Storm/Spark/Kafka分布式大数据处理系统者优先。

滴滴招聘:

图像算法工程师 (30K-40K)

任职要求:

1、计算机或数学相关专业毕业，有扎实的数据结构和算法基础。有特征工程，数据建模，机器学习相关的基础；
2、熟悉常用机器学习算法并有实战经验，包括但不限于 LR，GBDT，XGBoost，RL, NN 等；
3、有海量数据处理分析经验，熟悉Hadoop，Hive，Spark等大数据处理平台；
4、编程基础扎实，熟练使用至少一种常用的编程语言，包括但不限于：C++、Python、Scala、Java；
5、有良好的学习能力和沟通能力。

拼多多招聘:

算法工程师(风控方向) (20K-40K)

任职要求:

上海/经验1-3年/本科/全职

1、理工科本科以上学历，具有数据模型、机器学习算法相关经验，对算法有深厚兴趣和积累；
2、熟悉机器学习原理，了解常用分类、回归、决策等机器学习算法的特点和应用场景，善于逻辑推理和学习新技术；
3、能针对具体业务场景训练和优化模型和算法，推进方案落地，并持续改进；
4、与产品、策略一起推进风控模型系统的架构、设计和研发，支撑实时和离线的风控需求。
5、在电商领域拥有风控和安全经验者加分，有ACM经验者加分。

一、岗位薪酬高

70%的人工智能岗位薪酬在30k以上，超过其它同等岗位的50%

二、人才需求大

据工业和信息化部调研统计，中国人工智能产业发展与人才需求比为1：10，人才缺口达到500万

三、就业范围广

人工智能广泛应用于95%的行业

立即抢占先机

机器学习工程师能力模型分析

人工智能中占比40%岗位，一份30万年薪的通知书

专业在线教育平台菜鸟窝

迎合企业需求，真正工业级人工智能课程

夯实人工智能基础能力

本课程从最基础的Python和高等数学开始讲起，逐步向高级进阶，帮助学员快速查漏补缺，保证报名学员人人都能学会

系统性掌握机器学习技能

从企业实际需求出发，包含机器学习基础、算法原理讲解、常见的神经网络模型、模型训练和调参等等，全面培养核心能力，适配市面上95%岗位需求。

工业级项目实战演练

参与BAT级真实企业项目实战，AI领域专家逐行审阅代码，4V1细心指导，培养读paper等自学能力，学成后能独立完成项目。

模拟面试及丰富就业指导

由高校教师和BAT一线大厂导师家组成的专家团队，根据简历情况有针对性地进行BAT级别模拟面试，优秀学员推荐一线大厂就业

学完本门课程，你将达到

搭建AI算法核心技能，用18周完成转型蜕变

预约抢占优惠

选择菜鸟窝的八大理由

标准化教学服务，以学员就业为导向

大咖教学

4位一线大厂大神
带来最新实战经验

在线学习

永久视频权限+完整源码
课件下载

小班教学

导师代码逐行批改
专属助教实时答疑

监督学习

班主任统一管理
督促学习，拒绝懈怠

Kaggle竞赛

带打国际算法大赛
增加核心竞争力

毕业答辩

工业级项目真实数据
独立完成发放《结业证书》

面试辅导

提供BAT级别模拟面试
完成最后冲刺

推荐就业

多对1内推offer
免去找工作烦恼

BAT一线大厂导师团队

1V1全程亲自辅导，项目实操经验倾囊相授

Chris

阿里算法专家

7年+算法从业经验，现任职于阿里，曾领导搭建某上市游戏平台算法团队，在智能数据、机器学习、深度学习算法落地等方向有丰富的实践经验，全面覆盖涵盖自然语言处理（NLP）、计算机视觉（CV）、知识图谱（知识推理）、序列建模等。

Tant

某AI企业CTO

15年+开发经验，大数据专家，曾就职阿里、乐视、IDG等知名企业，6 年以上 PB 级大数据处理和数据仓库架构设计，深度数据分析挖掘经验。熟悉机器学习理论基础，精通深度学习主流框架（PyTorch,fast.ai），在计算机视觉方向拥有丰富的实践经验。

熊猫酱

BAT数据挖掘工程师

留美硕士，现就职于BAT，曾就职于德勤/埃森哲/世界野生动物组织，擅长SAS, Python, R, SQL等编程语言,熟练掌握SAS/ulau/Google Analytics等数据分析工具，5年以上在线课堂授课经验。

张老师

研究生导师

云南大学本硕博毕业，副教授，8年+高校数学授课经验，主讲数学分析、微分方程定性理论、高等数、线性代数、概率论与数理统计等课程，在SCI、EI等国际期刊发布论文数十篇，主持多项省级、国家自然科学基金项目。

精心打磨上线

名校理论基础培优，大厂真实项目实战

4个

商业实战
项目

27个

案例

116个

课时

238个

知识点

1898元

赠送课程

上手4大商业实战项目

真实案例数据集，完成相当于1-2年经验

项目一：黑卡刷单对抗实战
方向：机器学习
在极重用户体验的游戏行业中，有一款刚刚在海外上线的游戏，突然发现APPstore退款激增。惊觉是遭遇了黑卡刷单盗取游戏资源，每日损失高达几十万美金。面对这种损失大、时间紧、特征数据少的情况，算法工程师团队揣起了他们的机械键盘奔赴战场！让我们一起来体验真实业务场景下的那场智慧较量吧！

项目二：基于卷积神经网络的图像分类实战
方向：深度学习
以多层神经网络为代表的深度学习正在深刻的变革着各行各业。本次带来的项目是使用深度学习的方法（卷积神经网络），对kaggle的Fashion-MNIST的数据集进行分类，使用PyTorch来实现自己的卷积神经网络模型。

项目三：信用卡违约管理实战
方向：机器学习
机器学习在银行金融风控领域早已经有非常成熟的运用。本次带来的项目是使用机器学习办法，预测信用卡违约的客户，从而能提前采取措施减少信用卡违约的出现，减少银行的潜在损失。本项目会讲解特征工程中的一些针对该项目进行的特殊的采样办法，并且会从更多角度去讲解不同的预测效果指标。

项目四：基于卷积神经网络的端到端验证码识别
方向：深度学习、项目工程实操
使用深度学习的方法(卷积神经网络)，对线上验证码进行识别，并搭建工程项目，作为API供其他服务进行调用。

立足系统化课程体系

从基础理论到高阶拓展，匹配市场95%岗位能力

1.机器学习数学
2.编程基础
3.机器学习
4.算法工程
5.深度学习
6.四大商业实战

机器学习数学

机器学习的基础是数学。数学并非是一个可选可不选的理论方法，而是不可或缺的支柱。如果你是一名计算机工程师，每天使用UML，ORM,设计模式及其他软件工程工具/技术，那么请闭眼一秒钟，忘掉一切，这并不是说这些概念不重要，绝不是！但是机器学习需要一种不同的方法。如今Python如此流行的原因之一是其【原型设计与速度】。在机器学习中，一种使用几行代码即可建模算法的语言绝对是必要的。微积分，线性代数，概率论在机器学习几乎所有算法中不可或缺。如果你数学不是那么扎实，大学学的数学知识都还给老师了（大部分同学都是如此），那么重新温习一下这些重要概念也不错。考虑到理论的数量，我并不建议大家从大部头开始。尽管一开始可以用它查询具体概念，但是初学者先关注简单的话题比较好。我建议从提纲之类的视频教材入手，其中所有核心概念均被涉及，次要概念可在需要的时候自行查询。这种方法虽然不够系统，但却避免了这样的缺陷：大量晦涩概念使得没有扎实理论背景的人望而却步。

微积分

高等数学中的一些基本概念，如导数，偏导数，梯度下降法，凸函数，拉格朗日数乘法等，都在不同的算法中现身过。梯度下降法是常见的优化算法，拉格朗日乘法是SVM中解决其优化函数的对偶问题的基础。高等数学是本科中工科，理科的大多数专业都会接触到的，也是入门机器学习的必备数学工具之一。

一、微积分-函数与极限

1.函数
2.极限
3.无穷小
4.夹逼定理

二、微积分-导数与微分

1.导数
2.高阶导数
3.微分学的核心思想
4.偏导数
5.高阶偏导数
6.应用：凸函数

三、微积分-导数的应用

1.洛必达法则
2.泰勒级数
3.局部极值
4.应用：牛顿法
5.应用：梯度下降法、学习率

四、微积分-积分学与微分方程

1.黎曼积分
2.牛顿莱布尼茨公式
3.多变量函数的积分
4.微分方程

概率论与数理统计

概率论，在不少机器学习算法中都是主角，如朴素贝叶斯算法(NB),隐马尔科夫模型(HMM),最大熵模型(EM),条件随机场(CRF)，这四种算法也是最常见的概率图模型。无疑，没有了概率论，这些模型将黯然失色，就像贝叶斯公式，正是它，才成就了鼎鼎大名的朴素贝叶斯算法。当然，数理统计也是不可缺少的，简单到样本，抽样方法，复杂到各种回归算法，方差分析，因子分析等，还有时间序列模型（ARMA算法）等等，与概率论，都是统计学中的瑰宝，在机器学习也找到了它们的用武之地

五、概率论与统计-事件与概率

1.概率
2.贝叶斯公式
3.应用：贝叶斯分类器

六、概率论与统计-随机变量及其分布

1.离散随机变量与连续随机变量
2.随机变量的数字特征
3.同一个随机变量的特征函数的重要性质
4.特殊分布的特征函数
5.应用：损失函数与支持向量机

七、概率论与统计-大数定律与中心极限定理

1.随机变量相关系数
2.切比雪夫不等式
3.大数定律
4.中心极限定理

八、概率论与统计-参数估计

1.参数估计问题
2.置信区间
3.先验分布与后验分布
4.共轭分布
5.应用：重要的距离公式

线性代数

线性代数是解决线性方法的学问，当然，它的作用不仅如此，个人觉得，它更像是描述线性空间的一种语言。有了线性代数，一方面我们能简化描述问题与方法的语言，如向量，矩阵等概念；另一方面，它也是解决实际问题的工具，比如，我们在推荐算法中的SVD，多元线性回归的最小二乘法的矩阵描述等。在Python中，它提供了一个很好的线性代数方面的工具，那就是numpy,它的功能与matlab类似，适合矩阵运算，简单且高效。

九、线性代数-矩阵及其运算

1.矩阵
2.矩阵的变换
3.相似变换

十、线性代数-线性空间与线性变换

1.线性空间
2.线性变换
3.应用：最小二乘法

编程基础

Python是一种开源的计算机程序设计语言。是一种面向对象的动态类型语言，最初被设计用于编写自动化脚本(shell)，随着版本的不断更新和语言新功能的添加，越来越多被用于独立的、大型项目的开发，现已成为数据分析科学中最受欢迎的语言。Python的设计哲学是“优雅”、“明确”、“简单”。

一、四大机器学习编程语言

1.R
2.Python
3.MATLAB
4.Octave

二、机器学习的Python基础

1.Python的环境搭建和IDE简介：Anaconda、Jupyter以及VS code
2.python简介
3.Python基础语法和数据类型，数据结构
4.Python运算符和流程控制
5.字符串String
6.列表List
7.元组Tuples
8.字典Dictionary
9.迭代器和生成器
10.函数和模块
11.面向对象
12.文件IO操作
13.Python 的 Magic Method

三、EDA和可视化,matplt库

1.EDA statistics
2.EDA常规步骤
3.条形图
4.数据分布
5.Python进行假设检验
6.直方图
7.折线图
8.面积图
9.盒须图
10.饼图
11.热力图
12.散点图
13.Fit简单模型
14.玫瑰图
15.3D图
16.热力地图
17.其他可视化库介绍
18.自定义可视化设计

机器学习

机器学习是人工智能的一个重要分支，是研究利用历史数据实现计算机智能的科学。随着各领域数据量的爆发式增长，机器学习方法越来越显示出其强大的优势，并被成功应用到自动驾驶、互联网广告、搜索引擎、计算机视觉、自然语言处理和机器人控制等领域。本课程以案例驱动的方式讲解机器学习，以及如何利用Python实现的方法与技巧。

一、机器学习简介

1.为什么要学习机器学习理论？
2.什么是机器学习
3.人工智能VS机器学习VS深度学习
4.机器学习分类
4.1.监督学习
4.2.无监督学习半监督学习
4.3.强化学习
5.机器学习之常见学习任务
5.1.分类（Classification）
5.2.回归（Regression）
5.3.降噪
6.机器学习关联领域
6.1.数据挖掘
6.2.统计
6.3.AI
7.机器学习一般步骤
8.为什么机器学习可以学习

二、机器学习理论概览

1.Numpy
1.1.为何Numpy如此重要？
1.2.Numpy的主要特点
1.3.Ndarray类（N-dimensional array）
1.4.创建一个ndarray
1.5.存储元素
1.6.基本操作
1.7.矩阵操作
1.8.ufunc对象
1.9.广播机制
1.10.向量化计算加速
2.Panda
2.1.数据结构
2.2.Series
2.3.Dataframe
2.4.Panel
2.5.DataFrame高级操作
3.Sklearn
3.1.常用模块
3.2.自带数据集
3.3.使用sklearn的例子代码样例
3.4.模型保存和载入

三、数据预处理

1.数据清洗
1.1.缺失值
1.2.噪声数据
1.3.常见的数据清洗方法
2.数据标准化，规范化
2.1.标准化（Standardzation）
2.2.规范化（Normailzation）
2.3.二者含义和区别
2.4.z-score标准化
2.5.min-max规范化
3.特征提取
3.1.PCA（主成分分析）
3.2.LDA（线性判别分析）
3.3.LDA vs PCA
4.案例：Python与Sklearn数据标准化实践

四、数据降维

1.LDAa降维算法详解
2.PCAa降维算法详解
3.案例： Sklearn 降维实践

五、线性回归

1.广义回归方程前提
2.一元线性回归
2.1算法介绍
2.2评判标准
2.3残差图及其假设Residual plot
3.多元线性回归
3.1算法介绍
3.2评判标准
4.kaggle项目案例：预测泰坦尼克号沉没时是否有乘客生还

六、逻辑回归分类

1.逻辑回归算法简介
2.逻辑回归算法评判标准
3.二分类分类器处理多分类问题
4.kaggle项目案例：预测泰坦尼克号沉没时是否有乘客生还

七、解决拟合问题

1.过拟合，欠拟合
2.线性回归的正则化
3.逻辑回归的正则化

八、k 近邻分类器

1.KNN 算法简介
1.1.K近邻（K-Nearest Neighbor）基本概念和原理
1.2.距离计算:欧式距离、曼哈顿距离、二者关系
1.3.K值选择
2.代码实现
2.1.Sklearn内置模型
2.2.Python手写KNN
2.3.交叉严重和网络搜索
2.4.KNN分类可视化
3.KNN特点和应用

九、K-均值聚类

1.聚类问题简介
2.K-均值聚类算法概念及原理
3.K值选取
4.代码实现
4.1.Sklearn内置模型
4.2.Python手写Kmeans
4.3.K值选择
5.Kmeans特点和应用
6.K-均值和k近之间的关系

十、关联规则之常见度量指标

1.推荐系统
1.1.产生背景
1.2.主要思想
1.3.推荐算法分类
2.关联规则（Association Rules）
2.1.定义
2.2.产生背景
2.2.1.应用范围
2.3.算法思路
3.支持度、置信度和提升度
4.关联规则相关算法
4.1.Apriori（先验）算法
4.2.FP-Growth算法
5.案例： Python 支持度、置信度和提升度实践

十一、基于用户的协同过滤

1.协同过滤简介
2.基于用户的协同过滤算法 (UserCF)
3.案例： UserCF 算法 python 实践
4.案例：基于 UserCF 算法（sklearn）的电影评分预测
5.案例：基于 UserCF 算法（surprise 推荐库）的电影推荐

十二、基于物品的协同过滤

1.基于物品的协同过滤算法（ItemCF）
2.UserCF 和 ItemCF 的比较
3.案例： ItemCF 算法 python 实践
4.案例： ItemCF 算法（sklearn）的电影评分预测
5.案例：基于 ItemCF 算法（surprise 推荐库）的电影推荐

十三、决策树算法

1.决策树的使用场景
2.决策树算法概括
3.决策树基本原理
4.决策树的假设和优缺点
5.决策树的评估
6.决策树的部署
7.决策树的解读

十四、决策树应用：Kaggle预测房价

1.数据概览
2.数据处理
3.案例演示
4.实际操作
5.决策树衍生算法
6.模型叠加及常用方法
7.Boosting: GBM
8.Bagging: Random Forest
9.Stacking: Super Learner
10.案例展示

十五、支持向量机算法

1.理解支持向量机SVM的原理和目标
2.掌握支持向量机的计算过程和算法步骤手把手带领大推导SVM算法，面试必考
3.理解软间隔最大化的含义
4.了解核函数的思想
5.学习SMO算法的过程

十六、机器学习模型对比和应用

1.机器学习课程问题解答
2.机器学习算法对比
3.回归模型、KNN分类，决策树模型对同一分类问题的对比讲解
4.各模型的应用场景介绍

十七、kaggle竞赛

1.kaggle相关介绍
2.kaggle实际比赛流程
3.kaggle 数据处理要点

四、算法工程

一、算法工作流概述

了解算法工程师在企业中常见的工作环境、工作流程、团队定位，是将理论知识和工程实践联系的桥梁。

1.算法工作流概略和常见术语
2.建立算法工程思维
3.常见团队中算法工程师定位与核心目标
4.转型至算法工程师的注意事项

二、问题抽象

对业务需求进行正确的抽象和提炼，不仅是解决问题的起点，也是作为技术人员必须掌握的职场技能

1.算法工程师需要掌握的资源和资料
2.算法工程常见业务方对接方式
3.功能型需求和效能型需求
4.业务问题可行性评估

三、数据采集与处理

精妙的模型和高质量数据，若要做出选择，我们必然优先保证高质量数据。理解业务数据，熟悉数据技术，才能让算法工程师做到手里有粮心里不慌

1.常见数据种类
2.数据可信和数据可用
3.埋点采集的基本原则
4.实时数据和批处理数据
5.在线、近线、离线数据规划
6.常见数据处理方法
7.数据落地和数据易用性

四、特征工程

工欲善其事必先利其器，不同的模型具有不同的脾性，优秀的输入数据会得到更好的模型输出结果。特征工程在实际工作中常常会成为重要且耗时的一环。

1.特征（Feature）的介绍
2.连续特征和离散特征
3.具有唯一标识的数据
4.特征转换的基本逻辑
5.特征筛选的主观和客观方法配合
6.初探自编码

五、建模与调优

业务问题了然于胸，业务数据尽在掌握。但算法的建模不仅为了解决问题，同时还要考虑其工业界应用环境。这要求算法工程师选择适合的模型、找到优秀的参数、构建高效的训练方案

1.业务问题建模基本思路
2.模型的最小可验证版本
3.批量训练和实时训练
4.常用调参思路和方式

六、模型评估

1.划分训练集、测试集、验证集
2.回归模型常见评价指标
3.分类模型常见评价指标
4.聚类模型常见评价指标
5.根据业务场景定义模型核心评价指标
6.联动业务指标进行分析

七、模型部署与反馈机制

万事俱备只欠东风，最终模型需要部署至线上，它将以不同的对外交互形式为不同的对象进行服务。在运行过程中，我们还需要监控模型和更新模型。

1.模型训练和应用部署的区别
2.模型线上部署的工程注意事项
3.常用的部署方式（pmml）
4.线上模型的监控
5.线上模型的批量更新
6.线上模型的实时更新

八、算法面试模拟与常见问题总结

1.算法工作流累积问题答疑
2.算法面试过程模拟
3.面试常见算法工程问题

深度学习

一、深度学习概述

深度学习更多是一种算法架构思维方式，但是它作为当今火热的一个名词，我们需要理解它所包含的思想。

1.深度学习和机器学习的关系
2.深度学习当前发展领域
3.深度学习在工业界的应用
4.深度学习在实际工作环境中的状态
5.深度学习领域深入研究的方法

二、神经网络概述

神经网络是深度学习领域里最为基础的架构之一，通过介绍神经网络的基础知识，同时让我们掌握深度学习中常见的概念和术语。

1.神经网络基础概念
2.神经网络相关术语理解

三、神经网络原理

深入神经网络的运行过程，用实例代码的编写来理解数据运算过程、格式转换方式。从而体会深度学习的“style”

1.神经网络的前向传播
2.反向传播和链式法则
3.常见激活函数
4.权值归一化
5.输出归一化
6.神经网络的python简单实现

四、深度学习工业界应用

1.深度学习业界应用
2.解析youtube的DL算法应用

五、卷积神经网络概述

作为计算机视觉领域当前的火热概念，卷积神经网络技术创造了目前人类对CV的新高峰。理解它是人工智能算法工程师学习过程中不可或缺的环节。

1.卷积神经网络的基本概念
2.卷积神经网络基础结构
3.常见应用领域

六、cnn原理

从数据的角度，去理解CNN内部做了什么。只有当概念清晰时，我们才能对实际视觉问题给出合适的答案

1.卷积运算
2.池化运算
3.Kears训练CNN的DEMO

七、cnn衍生

人脸识别、物体检测等，深度学习中卷积神经网络已经在工业界大展拳脚。了解它的发展；掌握它的应用，能给我们带来更广阔的视野

1.Resnet在CNN中的突破和意义
2.YOLO3的结构与应用场景
3.CV面试常见问题

八、序列建模简介

语音、文字等时间序列数据，宏观上不再是离散的数据点，它们在历史上存在依赖关系。如何处理这些序列数据，就需要一种不同的思路。

1.序列数据
2.序列建模的基本概念
3.RNN基本原理
4.注意力机制
5.序列建模的常见应用场景
6.序列建模面试常见问题

九、深度学习模型部署

任何一个训练得再完美的算法，都必须经过实际的检验。深度学习模型在线上的部署，又和机器学习模型部署出现的不同。

1.深度学习模型线上部署常见问题
2.模型统一交换格式
3.Pytorch框架模型部署思路
4.Tensorflow框架模型部署思路
5.工程常见问题

十、深度学习面试指导

1.深度学习累积问题答疑
2.深度学习面试常见问题

一、黑卡刷单对抗实战

方向：机器学习

简介：在极重用户体验的游戏行业中，有一款刚刚在海外上线的游戏，突然发现APPstore退款激增。惊觉是遭遇了黑卡刷单盗取游戏资源，每日损失高达几十万美金。面对这种损失大、时间紧、特征数据少的情况，算法工程师团队揣起了他们的机械键盘奔赴战场！让我们一起来体验真实业务场景下的那场智慧较量吧！

基本流程：

1、业务背景介绍
2、业务问题梳理
3、技术选型
4、问题建模
5、数据工程
6、结果评估
7、疑难解答

二、基于卷积神经网络的图像分类实战

方向：深度学习

简介：项目介绍：以多层神经网络为代表的深度学习正在深刻的变革着各行各业。本次带来的项目是使用深度学习的方法（卷积神经网络），对kaggle的Fashion-MNIST的数据集进行分类，使用PyTorch来实现自己的卷积神经网络模型。

项目实操：

1.图像分类介绍
2.pytorch简介---编程实战。
3.CNN实现—编程实战。
4.项目分析结果的可视化展示。
5.项目总结及项目优化。

三、信用卡违约管理实战

方向：机器学习

简介：机器学习在银行金融风控领域早已经有非常成熟的运用。本次带来的项目是使用机器学习办法，预测信用卡违约的客户，从而能提前采取措施减少信用卡违约的出现，减少银行的潜在损失。本项目会讲解特征工程中的一些针对该项目进行的特殊的采样办法，并且会从更多角度去讲解不同的预测效果指标。

基本流程：

1.数据概览
2.数据处理
3.EDA
4.特征工程
a.处理共线问题
b.重新采样
5.建模及优化
a.常用算法介绍
6.商业结论
7.动手实践

四、基于卷积神经网络的端到端验证码识别

方向：深度学习、项目工程实操

简介：使用深度学习的方法（卷积神经网络），对线上验证码进行识别，并搭建工程项目，作为API供其他服务进行调用。

项目实操：

1.多标签图像分类介绍
2.CNN多标签编程实战
3.模型工程化实践
4.可视化和要点总结

夯实基础，赠送精品课程

Python基础精讲 + spark零基础实战营

导师在线答疑解惑

优质AI学习圈子，学员聚力学习共同进步！

导师手把手解决疑惑，7*14h快速响应

班级式管理

自研教学系统，关心您学习路上的每一步

如果你是符合下面几点，欢迎加入我们

1、计算机、统计等统招本科以上应届毕业生
2、2年以上有编程经验的一线开发人员
3、在职有技术储备需求的人群
4、对机器学习有兴趣的其它行业人员

结业证书

你将入职的企业