那麼火的人工智慧，到底能做些什麼！
目前，機器學習的使用日漸成為趨勢。
作為人工智慧的核心，機器學習是一門多領域的交叉學科，專門研究計算機模擬或實現人類學習行為的方法，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
簡單來說，機器學習就是優化數學方程式的過程。但在實際生活中，機器學習已經在金融、科研等領域蓬勃發展。
比如，就金融來說
可以通過爬蟲技術獲取股票數據；
可以通過文字信息進行文本分析；
可以搭建回測系統；
可以開發交易平台。
既然機器學習如此火爆，那如何追趕這股技術潮流呢？
現超級數學建模攜手唐老師以Python為基礎，向大家精心準備《Python機器學習》系列課程。
唐老師將系統講解Python的基礎知識、常用的工具包和演算法以及四個主流的Python庫，並藉助真實案例帶領大家進行項目實戰，全程還會附送完整的代碼進行課程教學與實戰演練。
相信，每天都能感受到能力的提升！
《Python機器學習》系列課程介紹
基礎篇（共131學時）
（課程大綱）
《Python機器學習實戰課程》（￥398）
第一章 AI時代人工智慧入學指南（免費試學）
第二章 Python快速入門（免費試學）
第三章 Python工具：科學計算庫Numpy
第四章 Python工具：數據分析處理庫Pandas
第五章 Python工具：可視化庫Matplotlib
第六章 演算法：線性回歸演算法
第七章 演算法：梯度下降原理
第八章 演算法：邏輯回歸演算法
第九章 案例：Python實現邏輯回歸與梯度下降
第十章 案例：使用Python分析科比生涯數據
第十一章 案例：信用卡欺詐檢測
第十二章 演算法：決策樹
第十三章 決策樹Sklearn實例
第十四章 演算法：隨機森林與集成演算法
第十五章 案例：Kaggle競賽案例:泰坦尼克獲救預測
第十六章 演算法：線性支持向量機
第十七章 非線性支持向量機
第十八章 支持向量調參實戰
第十九章 計算機視覺挑戰
第二十章 神經網路必備基礎知識點
第二十一章 最優化與反向傳播
第二十二章 神經網路整體架構
第二十三章 案例實戰CIFAR圖像分類任務
第二十四章 Tensorflow框架
第二十五章 Mnist手寫字體識別
第二十六章 PCA降維操作與SVD矩陣分解
第二十七章 聚類與集成演算法
第二十八章 機器學習業務流程
即可報名學習
進階篇（共113學時）
（課程大綱）
《Python機器學習實戰——進階課程》（￥398）
第一章：Seaborn可視化庫（免費試學）
第二章：降維演算法-線性判別分析
第三章：Python實現線性判別分析
第四章：PCA主成分分析
第五章：Python實現PCA主成分分析
第六章：EM演算法
第七章：GMM聚類實踐
第八章：Xboost演算法
第九章：推薦系統
第十章：推薦系統實踐
第十一章：貝葉斯演算法
第十二章：Python文本數據分析
第十三章：KMEANS聚類
第十四章：DBSCAN聚類
第十五章：聚類實踐
第十六章：時間序列ARIMA模型
第十七章： 時間序列預測任務
第十八章：語言模型
第十九章：自然語言處理word2vec
第二十章：使用word2vec進行分類任務
第二十一章：Gensim中文詞向量建模
第二十二章：自然語言處理-遞歸神經網路
第二十三章：遞歸神經網路實戰-情感分析
第二十四章：探索性數據分析-賽事數據集分析
第二十五章：探索性數據分析-農糧數據分析
TAG:超級數學建模 |