想轉行人工智慧？機會來了！！！
一個壞消息：
2018年1月 教育部印發的《普通高中課程方案和語文等學科課程標準》新加入了數據結構、人工智慧、開源硬體設計等 AI 相關的課程。
這意味著職場新人和準備找工作的同學們，為了在今後十年內不被淘汰，你們要補課了，從初中開始。
一個好消息：
人工智慧尖端人才遠遠不能滿足需求。行業風口的人工智慧，在中國人才缺口將超過500萬人，而中國人工智慧人才數量目前只有5萬（數據來自工信部教育考試中心）。
並且
目前崗位溢價相當嚴重，2017年人工智慧在互聯網崗位薪酬中位列第三，月薪20.1k，如果按照普遍的16月薪酬計算，那麼人工智慧在2017年一年的薪酬就是2.01*16=32.16萬。
那麼再來看一組2018的薪酬數據：
所以如果你對自己的專業/工作不滿意，現在正是進入人工智慧領域學習就業/轉業的最佳時機。
在面對眾多的數學知識和編程知識里，自學會讓大家耗費大量的時間金錢。因此，
中國科學院計算技術研究所人工智慧博士團隊
開發推出了人工智慧
機器學習365天特訓營
課程。
為了保證大家的
學習效果
和
就業情況
，
冪次學院提供7項課程服務，
從發展歷程、概念、基本名詞、術語、評估方法講起，到演算法模型與實戰演練：
1、名校大牛講師授課：
中國科學院計算技術研究所人工智慧博士團隊
開發課程，名校大牛授課；
2、3
65天的系統學習
：
跟老師直播學習，
直播回放4年內隨時隨地回看
，在線答疑，並完成課後作業；
3、優質的售後答疑：
全天24小時課程問答與社群交流服務，
讓你的每一個問題都能夠得到解答，課程資料隨時下載；
4、頒發培訓結業證書：通過冪
次學院的階段測試和畢業測試，並頒發冪次學院人工智慧培訓結業證書。
合計
365+天，每周兩次直播，
365天100+小時（理論+實戰）課程
（講師直播答疑，課程7*
2
4小時問答服務，學院社群7*
2
4小時交流，課程資料隨時下載）購買課程另贈送2門輔助課程：
1.
現在報名
免費贈送售價899元
的 機器學習之Python編程基礎與數據分析 課程
，課程內容由
清華大學python大牛
與
美國普渡大學演算法工程師
主講，
課程內容
包括：python基礎，python數據分析，python機器學習基礎與python在機器學習中的實踐案例（詳細課程大綱見冪次學院主頁）。
2.
現在報名
免費贈送售價899元
的 人工智慧數學基礎8天集訓營 課程
，由
中國科學院計算技術研究所博士團隊
主講，
課程內容
包括：矩陣論基礎，概率與資訊理論，數值計算三部分
（詳細課程大綱見冪次學院主頁）。
助力您解決人工智慧學習中所需要用到的數學知識、Python編程知識。
立即開始體系化學習，所有知識一步到位！
直播 + 回放：合計365+天，每周六19：00，20：10開課，直播回放隨時隨地回看。
報名費用及優惠詳情：
原價16800元：
折後特惠價：2999元。
長按二維碼進入報名頁面
長按二維碼諮詢助教微信
講師團隊介紹
（更多講師詳情請關注冪次學院主頁：https://mici.jiqishidai.com)
張老師，中國科學院計算技術研究所機器學習方向博士
專註於人機交互、機器學習等領域研究。曾在國內外知名會議期刊發表多篇論文，並榮獲人工智慧領域會議「最佳論文提名獎」，目前擁有國家發明專利2項、軟體著作權1項。擁有機器學習、數據挖掘領域實戰經驗，曾參與項目：
1、面向病症的多模態在線預警方法研究—國家自然科學基金;
2、基於人機交互技術的安全駕駛映射系統—國家國際科技合作專項;
3、散發性病症風險基因圖譜與預警評估方法研究—北京市科學技術委員會北京腦科學研究項目;
4、廣東省大數據科學中心項目「基於多模態大數據的複雜疾病臨床診斷標準及應用」—廣東省科技計劃項目NSFC等國家級項目。
李金老師，清華大學機器學習方向本碩雙清華畢業生，阿里巴巴機器學習方向演算法工程師；
研究方向為：推薦系統，計算機視覺，自然語言處理，深度學習等，在TNNLS，PR等雜誌上發表過多篇論文，著有《自學Python—編程基礎科學計算及數據分析》一書，P
ython筆記3K+Star，知乎python及機器學習板塊12K+ zan，冪次學院簽約講師。
趙朗老師，美國普渡大學碩士畢業生，機器學習工程師/演算法工程師，曾參與研究：
1.參與克萊斯勒公司「合金髮展」項目，應用機器學習分析產品合格率與合金成分等因素之間的關係；
2.參與浙江大學關於研究材料滲透率的項目，應用機器學習分析材料滲透率與材料結構之間的關係；
3.應用機器學習研究各大風場的風機故障問題，在機器學習，數據挖掘等方面有豐富的實戰經驗，善於用簡單的例子來描述複雜的機器學習概念，善於對學生進行啟發，幫助學生掌握機器學習的核心概念與演算法。
附：機器學習365天特訓營 - 課程大綱：
第一部分 基礎篇
第1章
1.1 引言
1.2 基本術語
1.3 假設空間
1.4 歸納偏好
1.5 發展歷程
1.6 應用現狀
第2章 模型評估與選擇
2.1 經驗誤差與過擬合
2.2 評估方法
2.2.1 留出法
2.2.2 交叉驗證法
2.2.3 自助法
2.2.4 調參與最終模型
2.3 性能度量
2.3.1 錯誤率與精度
2.3.2 查准率、查全率與F1
2.3.3 ROC與AUC
2.3.4 代價敏感錯誤率與代價曲線
2.4 比較檢驗
2.4.1 假設檢驗
2.4.2 交叉驗證t檢驗
2.4.3 McNemar檢驗
2.4.4 Friedman檢驗與後續檢驗
2.5 偏差與方差
第3章 線性模型
3.1 基本形式
3.2 線性回歸
3.3 對數幾率回歸
3.4 線性判別分析
3.5 多分類學習
3.6 類別不平衡問題
第4章 決策樹
4.1 基本流程
4.2 劃分選擇
4.2.1 信息增益
4.2.2 增益率
4.2.3 基尼指數
4.3 剪枝處理
4.3.1 預剪枝
4.3.2 後剪枝
4.4 連續與缺失值
4.4.1 連續值處理
4.4.2 缺失值處理
4.5 多變數決策樹
第5章 神經網路
5.1 神經元模型
5.2 感知機與多層網路
5.3 誤差逆傳播演算法
5.4 全局最小與局部極小
5.5 其他常見神經網路
5.5.1 RBF網路
5.5.2 ART網路
5.5.3 SOM網路
5.5.4 級聯相關網路
5.5.5 Elman網路
5.5.6 Boltzmann機
5.6 深度學習
第6章 支持向量機
6.1 間隔與支持向量
6.2 對偶問題
6.3 核函數
6.4 軟間隔與正則化
6.5 支持向量回歸
6.6 核方法
第7章 貝葉斯分類器
7.1 貝葉斯決策論
7.2 極大似然估計
7.3 樸素貝葉斯分類器
7.4 半樸素貝葉斯分類器
7.5 貝葉斯網
7.5.1 結構
7.5.2 學習
7.5.3 推斷
7.6 EM演算法
第8章 集成學習
8.1 個體與集成
8.2 Boosting
8.3 Bagging與隨機森林
8.3.1 Bagging
8.3.2 隨機森林
8.4 結合策略
8.4.1 平均法
8.4.2 投票法
8.4.3 學習法
8.5 多樣性
8.5.1 誤差--分歧分解
8.5.2 多樣性度量
8.5.3 多樣性增強
第9章 聚類
9.1 聚類任務
9.2 性能度量
9.3 距離計算
9.4 原型聚類
9.4.1 k均值演算法
9.4.2 學習向量量化
9.4.3 高斯混合聚類
9.5 密度聚類
9.6 層次聚類
第10章 降維與度量學習
10.1 k近鄰學習
10.2 低維嵌入
10.3 主成分分析
10.4 核化線性降維
10.5 流形學習
10.5.1 等度量映射
10.5.2 局部線性嵌入
10.6 度量學習
第二部分 進階篇
第11章 特徵選擇與稀疏學習
11.1 子集搜索與評價
11.2 過濾式選擇
11.3 包裹式選擇
11.4 嵌入式選擇與L_1正則化
11.5 稀疏表示與字典學習
11.6 壓縮感知
第12章 計算學習理論
12.1 基礎知識
12.2 PAC學習
12.3 有限假設空間
12.3.1 可分情形
12.3.2 不可分情形
12.4 VC維
12.5 Rademacher複雜度
12.6 穩定性
第13章 半監督學習
13.1 未標記樣本
13.2 生成式方法
13.3 半監督SVM
13.4 圖半監督學習
13.5 基於分歧的方法
13.6 半監督聚類
第14章 概率圖模型
14.1 隱馬爾可夫模型
14.2 馬爾可夫隨機場
14.3 條件隨機場
14.4 學習與推斷
14.4.1 變數消去
14.4.2 信念傳播
14.5 近似推斷
14.5.1 MCMC採樣
14.5.2 變分推斷
14.6 話題模型
第15章 規則學習
15.1 基本概念
15.2 序貫覆蓋
15.3 剪枝優化
15.4 一階規則學習
15.5 歸納邏輯程序設計
15.5.1 最小一般泛化
15.5.2 逆歸結
第16章 強化學習
16.1 任務與獎賞
16.2 K-搖臂賭博機
16.2.1 探索與利用
16.2.2 ε-貪心
16.2.3 Softmax
16.3 有模型學習
16.3.1 策略評估
16.3.2 策略改進
16.3.3 策略迭代與值迭代
16.4 免模型學習
16.4.1 蒙特卡羅強化學習
16.4.2 時序差分學習
16.5 值函數近似
16.6 模仿學習
16.6.1 直接模仿學習
16.6.2 逆強化學習
第17章 增量學習
17.1 被動攻擊學習
17.1.1 梯度下降量的抑制
17.1.2 被動攻擊分類
17.1.3 被動攻擊回歸
17.2 適應正則化學習
17.2.1 參數分布的學習
17.2.2 適應正則化分類
17.2.3 適應正則化回歸
17.3 增量隨機森林
第18章 遷移學習
18.1 遷移學習簡介
18.1.1 什麼是遷移學習
18.1.2 遷移學習VS傳統機器學習
18.1.3 應用領域
18.2 遷移學習的分類方法
18.2.1 按遷移情境
18.2.2 按特徵空間
18.2.3 按遷移方法
18.3 代表性研究成果
18.2.1 域適配問題
18.2.2 多源遷移學習
18.2.3 深度遷移學習
第19章 主動學習
19.1 主動學習簡介
19.2 主動學習思想
19.3 主動學習VS半監督學習
19.4 主動學習VS Self-Learning
第20章 多任務學習
20.1 使用最小二乘回歸的多任務學習
20.2 使用最小二乘概率分類器的多任務學習
20.3 多次維輸出函數的學習
第三部分 實戰篇
第21章 機器學習應用場景介紹
21.1 機器學習經典應用場景
21.2 頭腦風暴：挖掘身邊的應用場景
第22章 數據預處理
22.1 數據降噪
22.2 數據分割
第23章 特徵提取
23.1 時域特徵
23.2 頻域特徵
23.3 自動特徵提取
第24章 機器學習方法應用
24.1 應用機器學習方法之前的處理
24.2 使用機器學習分類
24.3 機器學習調參
24.4 分類結果展示
還在等什麼？快邀請自己的小夥伴一起來加入
機器學習365天特訓營
吧！未來將是屬於我們的時代！點擊「閱讀原文
」進行報名！如有疑問，請隨時聯繫客服（上方二維碼）。
