1、據人民日報海外版報道，工信部教育考試中心副主任周明也曾在2016年向媒體透露，中國人工智慧人才缺口超過500萬人。

2、根據脈脈資料研究院提供的資料顯示，目前國內人工智慧相關崗位的工作起薪基本都在12.5k/月以上，從業三年後人工智慧崗位的技術人員，平均月薪在25k以上，基本實現薪酬翻番。

3、2018年人才爭奪已呈白熱化，處於行業風口的AI人才薪酬已是飆漲。畢竟有雄厚的實力豪取頂尖專家的頭部公司還是少數，超過90%的網際網路創業公司選擇了把目光轉向培養年輕AI人才。

但人工智慧難度大，自學沒有方向和重點。

現有資料少，容易入坑。

於是我們推出了人工智慧《機器學習365天特訓營》課程。

《機器學習365天特訓營》由中國科學院計算技術研究所人工智慧博士團隊

2018年4月21日起365天，每週兩次直播，365天100次（理論+實戰）課程（講師直播答疑，課程7*24小時問答服務，學院社群7*24小時交流，課程資料隨時下載）

機器學習在演算法實現上需要Python程式設計基礎，所以現在報名免費贈送售價298元的《Python零基礎入門》課程

學習機器學習需要一定的數學基礎，所以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

助力您解決人工智慧學習中所需要用到的數學知識、Python程式設計知識。

立即開始體系化學習，所有知識一步到位！

我們提供的服務：

1、中國科學院計算技術研究所博士講師授課；

2、365天的系統學習期，每週跟老師直播學習，線上答疑，並完成課後作業；

3、全天24小時課程問答服務，讓你的每一個問題都能夠得到解答；

4、全天24小時社群交流；

5、課程資料下載，課後作業；

6、階段測試與畢業測試，並頒發結業證書，為成績優異者推薦就業。

直播 + 回放：2018年4月21日開始365天，每週六19：00，20：00開課，直播回放隨時隨地回看。

講師簡介：張迎偉，中國科學院計算技術研究所機器學習方向博士，曾參與專案：

1、面向帕金森病的多模態線上預警方法研究—國家自然科學基金(No.61502456, No.61572471);

2、基於人機互動技術的安全駕駛對映系統—國家國際科技合作專項(No.2014DFG12750);

3、散發性帕金森病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專案(No.Z161100000216140);

4、廣東省大資料科學中心專案“基於多模態大資料的複雜疾病臨床診斷標準及應用”—廣東省科技計劃專案(No.2015B010105001) NSFC等國家級專案。

報名費用及優惠詳情：

1、折後特惠價：2999元。

2、限時優惠：

       a、前50名立刻減免300元，即僅需2699元

       b、前51-100名立刻減免200元，即僅需2799元

          （報名後聯絡助教返現紅包，助教微信見下方二維碼）

3、團購優惠券：

       a、每人可領取報名人數*100元的優惠券，上限團購10人；

       b、超出十人團隊請與客服（微信：見下方二維碼）直接取得聯絡。

說明：以上優惠可疊加使用。例：宿舍4人一起在前50人報名，每人實際應付2999-300-400=2299元。

長按二維碼立即報名

    長按二維碼聯絡助教

《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 效能度量

2.3.1 錯誤率與精度

2.3.2 查準率、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 線性迴歸

3.3 對數機率迴歸

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 資訊增益

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 全域性最小與區域性極小

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 支援向量機

6.1 間隔與支援向量

6.2 對偶問題

6.3 核函式

6.4 軟間隔與正則化

6.5 支援向量迴歸

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 整合學習

8.1 個體與整合

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 效能度量

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 等度量對映

10.5.2 區域性線性嵌入

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 子集搜尋與評價

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取樣

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 歸納邏輯程式設計

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 值函式近似

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 被動攻擊迴歸

17.2 適應正則化學習

17.2.1 引數分佈的學習

17.2.2 適應正則化分類

17.2.3 適應正則化迴歸

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 多工學習

20.1 使用最小二乘迴歸的多工學習

20.2 使用最小二乘概率分類器的多工學習

20.3 多次維輸出函式的學習

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 資料預處理

22.1 資料降噪

22.2 資料分割

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吧！未來的世界將是屬於我們的時代！

     點選“閱讀原文”進行報名！如有疑問，請隨時聯絡客服微信（上方二維碼）。