☆ 1、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、在課程結束之后,授課老師會留給學員手機和E-mail,免費提供半年的課程技術支持，以便保證培訓后的繼續(xù)消化；
      ☆3、合格的學員可享受免費推薦就業(yè)機會。
      ☆4、合格學員免費頒發(fā)相關工程師等資格證書，提升您的職業(yè)資質。

• 第一章：監(jiān)督學習
  簡介
  在深入研究多種機器學習算法之前，我們先了解整個領域的全局知識
  線性回歸
  了解分類與回歸的區(qū)別，學習如何使用線性回歸來做預測
  感知器算法
  學習神經網絡中的感知器，以及如何使用它進行分類
  決策樹
  學習決策樹，并使用決策樹探索泰坦尼克號乘客存活模型
  樸素貝葉斯
  學習樸素貝葉斯原理，并構建垃圾郵件分類器
  支持向量機
  學習如何訓練支持向量機以線性分離數(shù)據；
  使用核方法在非線性可分的數(shù)據上來訓練 SVMs
  集成方法
  通過 boosting 提升傳統(tǒng)方法；Adaboost
  模型評估維度
  學習評估模型的常用維度：準確率、精讀、召回率等等。
  錯誤與優(yōu)化
  了解訓練過程中常見的錯誤類型，學習如何處理錯誤來優(yōu)化模型性能。
  Lab：為銀行提供精準營銷方案
  練習機器學習基礎技能，在實戰(zhàn)中掌握預測的 pipeline。
• 實戰(zhàn)項目 1：航班延誤預測
  第二章：深度學習
  神經網絡簡介
  學習深度學習基礎，包括 softmax、one-hot encoding 和 cross entropy
  學習感知器與梯度下降
  實現(xiàn)梯度下降
  了解如何實現(xiàn)梯度下降，并實現(xiàn)一個反向傳播
  訓練神經網絡
  學習如何訓練神經網絡，包括早期停止、正則化、dropout等知識
  PyTorch
  學習如何使用 PyTorch 構建神經網絡，并在 Fashion-MNIST 數(shù)據集上學習圖像分類與遷移學習。
  實戰(zhàn)項目 2：人臉識別
  第三章：非監(jiān)督學習
  聚類
  學習如何聚類算法，并嘗試使用 k-means 對數(shù)據進行聚類
  層次聚類法與密度聚類
  學習單連接聚類法和層次聚類法，DBSCAN
  高斯混合模型與聚類驗證
  學習高斯混合模型及相關示例，以及聚類分析過程和如何驗證聚類結果。
  降維和 PCA
  了解降維的作用，并學習 PCA 的原理和使用場景
  隨機投影與 ICA
  學習隨機投影與獨立成分分析，并通過 Lab 學習如何應用這些方法
  實戰(zhàn)項目 3：創(chuàng)建客戶細分
  第四章：軟件工程
  軟件工程練習
  編寫清晰、注釋充分的模塊化代碼
  重構代碼并提高代碼效率
  創(chuàng)建檢驗程序的單元測試
  通過日志記錄進程操作和結果
  審閱代碼
  編程
  了解何時使用面向對象編程；
  構建和使用類；
  了解如何創(chuàng)建大型模塊化 Python 軟件包并使用面向對象編程
  將軟件包上傳到 PyPI
  作品集練習：構建你自己的 Python 軟件包
  案例演練：構建 PYTHON 軟件包
  第五章：模型部署
  部署簡介
  了解云端和部署術語
  了解生產環(huán)境中的機器學習工作流程
  了解機器學習的工作場所用例
  部署模型
  在 SageMaker 中部署模型
  使用 SageMaker 上的 XGBoost 預測波士頓房價
  使用 SageMaker 上的 XGBoost 判斷影評情感
  網絡托管
  學習如何從網站提供端點訪問權限；
  使用 API Gateway 和 Lambda 將機器學習模型集成到網絡應用中；
  模型監(jiān)控
  了解如何監(jiān)控模型隨時間推移的行為；
  使用 SageMaker 的自動化超參數(shù)調節(jié)工具調節(jié) XGBoost 模型的超參數(shù)；
  在 SageMaker 上運行 A/B 測試，比較調節(jié)過的模型與未調節(jié)的模型；
  更新模型
  在監(jiān)控模型的過程中發(fā)現(xiàn)數(shù)據有變化后，相應地更新模型；
  了解如何處理在情感分析過程中添加到模型中的新短語；
• 實戰(zhàn)項目 5：部署情感分析模型
  第六章：機器學習案例研究
  利用 SageMaker 進行總體分割
  使用 AWS SageMaker 了解可用的算法廣度；
  了解如何通過 SageMaker 使用非監(jiān)督式算法分析數(shù)據；
  使用 SageMaker 部署非監(jiān)督式模型；
  通過提取模型屬性了解數(shù)據；
  檢測信用卡欺詐行為
  構建并改善能識別付款欺詐行為的線性模型；
  處理訓練數(shù)據類別不平衡的問題；
  在 SageMaker 中根據特定指標調節(jié)模型并改善模型性能；
  部署自定義模型
  使用 SageMaker 部署自定義 PyTorch 模型；
  編寫自定義訓練腳本，并訓練你設計的模型；
  時間序列預測
  處理時間序列數(shù)據并調整數(shù)據格式，使數(shù)據適合訓練機器學習模型；
  使用 SageMaker 的DeepAR 算法進行時間序列預測；
  部署模型并使用模型預測未來的數(shù)據點；