1、培訓過程中，如有部分內容理解不透或消化不好，可免費在以后培訓班中重聽；
        2、課程完成后,授課老師留給學員手機和Email,保障培訓效果,免費提供半年的技術支持。
        3、培訓合格學員可享受免費推薦就業機會。

機器學習理論與實戰培訓大綱

1 緒論：ML與AI的回顧和簡介
務實的AI與機器學習發展歷史回顧（課程內容總體介紹）
AI的潮起潮落：弱人工智能和強人工智能
機器學習模型的構成：目標函數、優化、推理預測
機器學習模型的分類：監督學習與非監督學習
機器學習研究的新趨勢：從標簽學習到結構體學習模型
2 標簽學習 介紹的機器學習模型包括：決策樹、回歸樹、GBRT、Logistic Regression、集成方法
2.1 以分類、回歸的思想建模（小化回歸誤差和小化信息熵） 決策樹：信息熵
回歸樹
Gradient Boosting Regression Tree：在工業界的廣發應用與特征工程
核心講授思想：從優化的觀點出發，講解樹生成的貪心算法
2.2 以概率的框架建模（大化數據似然） 復習概率論基本知識：sum rule, product rule
Logistic Regression：從二分類到多分類的Softmax
樸素貝葉斯
核心講授思想：講授大化似然的優化目標、梯度下降的優化方法、和模型預測方法

2.3 集成學習方法 Bagging、Random Forest、Adaboost
核心講授思想：集成學習核心思想，特別介紹Adaboost算法在理論上的性能保障
3 結構體建模 主要講授：概率圖模型與EM算法
3.1 有向的概率圖模型 有向概率圖模型：基本知識（全概率公式的表達與模型條件獨立假設的等價關系）
經典有向概率圖的具體模型：
樸素貝葉斯的概率圖模型
矩陣分解的協同過濾方法：Probabilistic Matrix Factorization（順帶講解協同過濾的其它方法）
概率圖模型設計的方法論
引入隱變量的有向圖概率圖模型
主題模型：PLSA
混合高斯模型（無監督聚類）
EM算法細節：對引入隱向量的結構體的建模

核心講授思想：講授有向的概率圖模型的基本知識和經典模型實例；講授引入隱變量到概率圖模型的目的，和該情況下的優化方法（EM算法）

3.2 無向概率圖模型 無向的概率圖模型：基本知識（全概率公式的表達與模型條件獨立假設的等價關系）
經典無向概率圖的具體模型：條件隨機場（Viterbi算法）
核心講授思想：講授無向的概率圖模型的基本知識和經典模型實例

4 結構體預測 主要講授：深度學習神經網絡方法
4.1 神經網絡基礎 神經網絡概述
全連接前饋神經網絡：模型優化的BP算法（隨機梯度下降、梯度消失）
PLSA的神經網絡實現方法

核心講授思想：神經網絡是對從輸入到輸出的計算流程可視化，同時便于反向求導等運算
4.2 Theano編程 編程介紹、調試、Theano背后的設計思想

核心講授思想：以Theano下的全連接前饋神經網絡的實現為例，講解Theano的神經網絡編程
4.3 卷積神經網絡 卷積神經網絡原理：BP算法在卷積神經網絡下的推導
卷積神經網絡應用：基本應用、圖像虛幻化的應用
4.4 循環神經網絡 循環神經網絡原理：BP算法在循環神經網絡下的推導
循環神經網絡基本應用：序列標注、語言建模
循環神經網絡高級應用：機器翻譯、對話生成

核心講授思想：機器學習從特征工程邁向網絡設計
5 前沿研究與實際案例
5.1 機器學習案例實戰一 閑聊機器人構建：生成式模型的研究前沿
對話的多機理建模
自頂向下的樹結構神經網絡生成
結構體預測的Adaboost方法（與對抗神經網絡的結合）