机器学习与深度学习

课程大纲：

第一章 机器学习概述

本章首先介绍机器学习与人工智能、深度学习、数据挖掘之间的关系，接着介绍机器学习的基本概念、基本术语、分类以及一般过程。然后介绍机器学习的常见模型，包括监督学习模型、无监督学习模型和强化学习模型。最后介绍了机器学习中的常见应用。

第二章 Python编程

Python是一种跨平台的计算机程序设计语言。 是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。 Python作为人工智能首选的编程语言，常常作为一门专门的课程进行讲授。本章对Python进行简单的介绍和回顾，以保障本书的系统性和自洽性。

第三章 机器学习编程基础

在第二章中，我们已经了解了Python语言，对Python编程知识进行了学习。已掌握了Python的基础语法，列表、字典、元组、函数、模块等一系列操作。在本章中，我们将学习Python在机器学习方面的有关知识，为以后的机器学习之路打下坚实的基础。

第四章 线性回归模型

1.了解线性回归模型的定义及建立回归模型的步骤；2.掌握损失函数的基本概念和种类；3.掌握优化器的概念和梯度下降法的基本概念、原理和使用方法；4.了解多变量线性回归的实现；5.了解特征缩放和学习率的基本知识。

第五章 逻辑回归

在前一章我们学习了多元线性回归，多元线性回归是用线性的关系来拟合一个事件的发生规律并找到这个规律的表达公式,然后将得到的数据带入公式来实现预测的目的,我们习惯将这类预测未来的问题称作回归问题。机器学习中按照目的不同可以分为两大类:回归和分类。这一章节我们将一起讨论逻辑回归，它就可以用来完成分类任务。

第六章 机器学习诊断和调试

在了解训练误差和测试误差之前，我们首先需要了解数据集的分类以及该如何划分这些数据集。

第七章 神经网络模型

本章首先介绍人脑与神经元，通过生物神经元引出最原始的神经网络模型M_P（W.McCulloch和数学家W.Pitts合作提出了这个模型，所以取了他们两个人的名字McCulloch-Pitts），分析M_P模型的应用场景和优缺点，在M_P模型的基础上介绍单层感知机和多层感知机，然后给出神经网络模型，并详细阐述了神经网络的模型建立、前向传播过程和反向传播过程。

第八章 无监督学习

缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。很自然地，我们希望计算机能代我们完成这些工作，或至少提供一些帮助。根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。简单来进行回答，是否有监督（supervised），就看输入数据是否有标签（label），如果输入的数据是包含标签的，就是有监督学习，如果没有那么就是无监督学习。

第九章 深度学习基础

深度学习，是机器学习的一个重要分支和延伸，是包含多隐层的神经网络结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，从而学习到数据本身最关键的特征。简单来说，深度学习就是更深、更加复杂的神经网络结构。

第十章 循环神经网络

在10.1节，将会介绍循环神经网络的基础知识，序列数据和循环神经网络的概念，以及循环神经网络和CNN的对比，常见的循环神经网络模型等等，在10.2节，将带领大家学习和认识一下RNN模型以及常见的优化方法，在10.3节，将为大家介绍一下LSTM模型。

第十一章 卷积神经网络

本章将要介绍卷积神经网络，卷积神经网络（Convolutional Neural Network，CNN）是一种前馈型的神经网络，其在大型图像处理方面有出色的表现，目前已经被大范围使用到图像分类、目标检测、人脸识别等领域中。相比于其他神经网络结构，卷积神经网络需要的参数相对较少，在计算机视觉方面有着广泛的应用。

第十二章 深度学习应用

1.了解自然语言处理的基本原理、类型和算法2.了解图像处理及计算机视觉等应用的基本原理、类型和算法