close
登录/ 注册
申请试听 领取资料
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,能够将智能算法运用到业务实践中的机器学习工程师成为企业争相争夺的人才。
推荐系统
广告系统
计算机视觉
金融风控
搜索系统
自然语言处理
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
1
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
2
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。
3
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。
4
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
搭建机器学习核心技能,用15周完成转型蜕变
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
阶段性统一测试
专属助教
专属助教服务
督促学习,拒绝懈怠
毕业答辩
工业级项目真实数据
确保学员毕业能独立完成项目
专家讲座
专享免费公开课
随时了解最前线技术
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。
Beck Wang
清华博士
清华大学人工智能博士,北京某211大学AI讲师,在TKDE/ TKDD等国际一流期刊及IJCAI/AAAI等国际等级会议发表多篇论文,曾就职于微软亚洲研究院和华尔街某基金公司,在人工智能领域拥有丰富的机器学习实践经验。
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。
Angela
计算机视觉算法研究员
985计算机硕士,阿里天池比赛top2, momenta自动驾驶足球机器人比赛亚军,工信部特聘大数据专家 熟悉机器学习、深度学习,主攻计算机视觉方向, 具有丰富的机器学习中的数学线下教学经验。
精心打磨上线
名校理论基础培优,大厂真实项目实战
3个
商业实战
项目
18个
案例
96个
课时
208个
知识点
1158元
赠送课程
3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
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)来对邮政局的手写字体的图片数据进行识别,减少邮政工作人员的工作量并提升邮政工作效率。本项目会讲解大名鼎鼎的卷积神经网络以及经典的LeNet5网络,使用PyTorch语言对手写体图像数据库进行识别和分类。
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
立足系统化课程体系
从基础理论到高阶拓展,匹配市场98%岗位能力
  • 1.数据分析
  • 2.机器学习数学
  • 3.机器学习
  • 4.算法工程
  • 5.深度学习
  • 6.三大商业实战
数据分析
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、数据分析入门和介绍
  • 1.数据分析介绍
  • 2.常用工具介绍
  • 3.数据文件
  • 4.Python简介
  • 5.Functions and Packages
  • 6.Pandas介绍
  • 7.Numpy介绍
  • 8.Python数据类型
    数据结构及操作
  • 8.1.String
  • 8.2.List
  • 8.3.Tuples
  • 8.4.Dictionary
  • 8.5.Boolean logic
  • 8.6.时间和日期
二、数据处理
  • 1.编程基础
  • 2.导入数据
  • 3.Series介绍
  • 4.Dataframe介绍
  • 5.数据索引
  • 6.数据筛选
  • 7.数据合并
  • 8.数据运算
  • 9.Map()对象
  • 10.Lambda应用
  • 11.Loops
  • 12.Case study
三、EDA和可视化
  • 1.EDA statistics
  • 2.条形图
  • 3.数据分布
  • 4.Python进行假设检验
  • 5.直方图
  • 6.折线图
  • 7.面积图
  • 8.盒须图
  • 9.饼图
  • 10.热力图
  • 11.散点图
  • 12.Fit简单模型
  • 13.玫瑰图
  • 14.3D图
  • 15.热力地图
  • 16.图像排版
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。
一、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。
1.1 微积分1
  • 1.极限
  • 2.无穷小
  • 3.夹逼定理
  • 4.微分学的核心思想
  • 5.函数的高阶导数
  • 6.应用:损失函数与支持向量机
1.2 微积分2
  • 1.初等函数的导数
  • 2.多元函数—偏导数
  • 3.高阶偏导数
  • 4.应用:牛顿法 优化问题
1.3 微积分3
  • 1.泰勒级数
  • 2.洛必达法则
  • 3.求解简单的微分方程
  • 4.局部极值算法
  • 5.梯度下降法:多变量函数一阶逼近
  • 6.牛顿法与梯度下降法的比较
1.4 微积分4
  • 1.黎曼积分
  • 2.牛顿莱布尼茨公式
  • 3.多变量函数的积分
  • 4.应用:学习率与梯度下降线性判定边界
二、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
2.1 概率论与统计1
  • 1.离散随机变量与连续随机变量
  • 2.如何理解概率
  • 3.贝叶斯公式
  • 4.应用:贝叶斯分类器
2.2 概率论与统计2
  • 1.参数估计
  • 2.先验分布与后验分布
  • 3.共轭分布
  • 4.特殊分布的特殊函数
2.3 概率论与统计3
  • 1.随机变量的矩
  • 2.切比雪夫不等式
  • 3.随机变量随机系数
  • 4.同一个随机变量的特征函数的重要性质
2.4 概率论与统计4
  • 1.大数定律
  • 2.中心极限定理
  • 3.参数估计问题
  • 4.置信区间
  • 5.应用:重要的距离公式
三、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。
3.1 线性代数1
  • 1.线性空间
  • 2.矩阵
  • 3.线性矩阵变换
  • 4.应用:线性模型递归算法 最小二乘法
3.2 线性代数2
  • 1.矩阵的变换
  • 2.相似变换
  • 3.应用:主成分分析
    SVD在推荐系统中的应用
    正定矩阵与多变量凸函数
    极大似然估计渐进正态性
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、机器学习概述
  • 1.机器学习简介
  • 2.人工智能vs机器学习vs深度学习
  • 3.机器学习常见开发环境
  • 3.1.Python以及IDE简介:Anaconda、Jupyter以及VS code简介
  • 3.2.Python库介绍:Numpy、Scipy、Sklearn简介
二、机器学习理论一览
  • 1.机器学习基础理论与哲理
  • 2.机器学习常见问题
  • 3.机器学习常见任务
三、数据预处理
  • 1.为什么要进行数据预处理
  • 2.数据清洗
  • 3.数据标准化
  • 案例:Python与Sklearn数据标准化实践
四、k近邻分类器
  • 1.机器学习中的相似性度量
  • 2.KNN算法简介
  • 3.案例:基于 KNN (sklearn)的鸢尾花卉数据分类
  • 4.案例:基于 KNN(python)的鸢尾花卉数据分类
五、线性回归
  • 1.一元线性回归
  • 2.多元线性回归
  • 3.多项式回归
  • 4.案例:Sklearn多元线性回归实践
  • 5.案例:Python多元线性回归实践
  • 6.案例:基于线性回归的广告收益分析实战
六、逻辑回归分类
  • 1.逻辑回归算法简介
  • 2.二分类分类器处理多分类问题
  • 3.案例:基于逻辑回归(sklearn)的鸢尾花卉数据分类
  • 4.案例:基于逻辑回归(python)的鸢尾花卉数据分类
七、K-均值聚类
  • 1.聚类问题简介
  • 2.K-均值聚类算法介绍
  • 3.案例:基于kmeans(sklearn)的鸢尾花卉数据聚类
  • 4.案例:Python kmeans实践
八、关联规则之常见度量指标
  • 1.推荐系统简介
  • 2.支持度、置信度和提升度
  • 3.案例:Python支持度、置信度和提升度实践
九、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、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
十一、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
十二、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
十三、支持向量机算法
  • 1.理解支持向量机SVM的原理和目标 通过魔鬼与大侠的故事深入浅出讲述
  • 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
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
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、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
五、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
六、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
七、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
八、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
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!
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)来对邮政局的手写字体的图片数据进行识别,减少邮政工作人员的工作量并提升邮政工作效率。本项目会讲解大名鼎鼎的卷积神经网络以及经典的LeNet5网络,使用PyTorch语言对手写体图像数据库进行识别和分类。
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。
夯实基础,赠送精品课程
《Python 基础精讲》 + 《30个人工智能案例》
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
相关疑问
您所关心的问题,正是我们坚持的方向
Q:0基础可以报名吗?
A:本课程从数学和python基础教起,由浅入深依次讲解,非常适合0基础学员。
Q:可以分期付款吗?
A:本课程支持花呗分期。
Q:平常加班多,没时间 参加直播怎么办?
A:本课程均有录播视频,可无限 次反复观看。
Q:学不会怎么办?
A:本课程针从Python和数学开 始,讲师也都有丰富的授课经 验。若多次课时无法跟上,可 申请参与下一期学习(一次机 会)。
Q:学完可以从事什么工作?
A:算法工程师在推荐、广告、搜 索、风控等细分行业均有需求旺 盛,学员可以结合自身选择就业。
Q:学完这个能动手做 项目吗?
A:本课程提供三个BAT级别项目, 涉及游戏、金融等领域,是完全真实的企业级工程数据,保证学员完整实现实操一个项目的能力。
Q:毕业能拿多少工资?
A:算法工程师70%都能拿到30-60K的月薪,具体薪资看学习情况和自身资质。
Q:毕业能找到工作吗?
A:本课程匹配算法工程师95%的岗位需求,加上我们的面试内推服务,80%的学员都能找到满意工作,但这要在你要坚持完成课程和作业的基础上。
还有疑问?更多优惠及问题请扫码咨询
改变从此开始,早鸟优惠价 8299原价10299元
咨询客服小姐姐
微信:phoebe2016524