1、基礎篇——基於Python的機器學習>>>>>>戳我，立即學習

現在大熱、為未來計算機科學發展方向的機器學習了解多少呢？

下面推薦的這個內容比較適合小白，如果數學、模型理論基礎不紮實也沒關系，可以掌握Python編程語言基本可以輕松學習~

例如利用Python編程語言實現線性分類器、支持向量機、樸素貝葉斯等經典機器學習模型來解決諸如腫瘤良惡性預測、手寫體識別、泰坦尼克號生還預測等實際問題。並就模型本身泛化力問題（過擬合、欠擬合）進行討論與實驗，可以更快的解決實際問題，主要是以下5點：

①　機器學習簡介及開發環境

②　監督學習-分類學習-線性分類器

③　監督學習-分類學習-線性分類器-支持向量機

④　監督學習-樸素貝葉斯

⑤　監督學習-決策樹模型

⑥　無監督學習-K近鄰算法

⑦　機器學習進階-特征降維

⑧　機器學習進階-特征篩選

⑨　機器學習進階-泛化力-過擬合與欠擬合

>>>>>>戳我，立即學習

2、零基礎深度學習>>>>>>戳我，立即學習

如果你是小白、零基礎但對人工智能技術與人工智能程序開發感興趣，想從事人工智能相關工作或需要在本職工作中加入人工智能技術的在職人員或在校學生，那請往下看：

以Python為主要開發語言，深入淺出您快速上手最先進的深度學習技術。

會有如下收獲：

能夠使用程序開發技能完成諸如計算機視覺、自然語言處理等人工智能任務，例如圖像識別、智能翻譯等，亦能夠使用本課程中提供的工具在自己所處行業中，進行具體人工智能技術的設計與實施，使用深度學習技術進行行業數據分析。

會提供基礎的數學部分與Python程序設計部分的講解，每一章都包含豐富的實例與項目，讓您完全理解掌握人工智能與深度學習的相關知識與技能。

知識點：

Chapter 1. 基礎知識

包含線性代數、概率與數理統計、微積分等深度學習基礎數學知識，也涵蓋了本課程中能夠使用的Python程序設計知識，通過實戰編寫一個數學遊戲實例，為之後的學習打下良好的基礎。

Chapter 2.

包含從MCP模型到多層感知器的歷史發展，詳細講解神經網絡的前饋與反饋計算的數學推導與實際項目，實例中包含使用Tensorflow等深度學習系統編寫神經網絡的方法，並完成數據分析實戰。

Chapter 3. 卷積網絡

從最基本的卷積算法開始，逐步深入到深層卷積網絡，詳細講解卷積網絡的特征提取方法，並講解如何在非圖像數據上實施卷積網絡進行數據分析，讓您能在任何行業尋找合適數據並應用卷積網絡。

Chapter 4. 序列網絡

本章將包含處理自然語言等時序數據常用的RNN模型與LSTM技術， 以及序列建模、詞向量映射等各種自然語言處理技術，豐富的實例將會包含翻譯、對話、文本生成等，並讓您實踐如何使用時序建模技術進行數據預測。

>>>>>>戳我，立即學習

Python系列課程——人工智能篇簡單入門