close
登录/ 注册
领取资料
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!

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
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AI算法核心技能,用18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
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
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:本课程为录播+直播的学习形式,每周完成指定任务即可,可自由分配时间。
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:本课程提供四个BAT级别项目,涉及金融、游戏等领域,是完全真实的工程数据,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20-50K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 9499原价12299元
咨询客服小姐姐
微信:BT474849