1、培訓(xùn)過程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽；
        2、培訓(xùn)結(jié)束后,授課老師留給學(xué)員聯(lián)系方式,保障培訓(xùn)效果,免費(fèi)提供課后技術(shù)支持。
        3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會(huì)。

第1章支持向量機(jī)（SVM）
1-1支持向量機(jī)要解決的問題
1-2距離與數(shù)據(jù)定義
1-3目標(biāo)函數(shù)
1-4目標(biāo)函數(shù)求解
1-5SVM求解實(shí)例
1-6支持向量的作用
1-7軟間隔問
1-8SVM核變換
第2章SVM調(diào)參實(shí)例
2-1Sklearn求解支持向量機(jī)
2-2SVM參數(shù)選擇
第3章Kmeans聚類算法
3-1Kmeans算法概述
3-2Kmeans工作流程
3-3Kmeans迭代可視化展示
第4章DBSCAN聚類算法
4-1DBSCAN聚類算法概述
4-2DBSCAN工作流程
4-3DBSCAN可視化展示
4-4應(yīng)用SMO算法求解支持向量機(jī)
第5章聚類實(shí)踐
5-1多種聚類算法概述
5-2聚類算法Sklearn實(shí)戰(zhàn)
第6章集成算法實(shí)例
6-1集成算法實(shí)例概述
6-2ROU與AUC指標(biāo)
6-3基礎(chǔ)模型
6-4集成實(shí)例
6-5stacking模型
6-6效果改進(jìn)
第7章EM算法
7-1EM算法要解決的問題
7-2隱變量問題
7-3EM算法求解實(shí)例
7-4Jensen不等式
7-5GMM模型
第8章GMM聚類實(shí)踐
8-1GMM實(shí)例
8-2GMM聚類
第9章神經(jīng)網(wǎng)絡(luò)
9-1神經(jīng)網(wǎng)絡(luò)-挑戰(zhàn)與常規(guī)套路
9-2K近鄰進(jìn)行圖像分類任務(wù)
9-3超參數(shù)與交叉驗(yàn)證
9-4線性分類
9-5損失函數(shù)
9-6正則化懲罰項(xiàng)
9-7Softmax分類器
9-8最優(yōu)化形象解讀
9-9最優(yōu)化問題細(xì)節(jié)
9-10反向傳播
9-11神經(jīng)網(wǎng)絡(luò)整體架構(gòu)
9-12神經(jīng)網(wǎng)絡(luò)實(shí)例演示
9-13神經(jīng)網(wǎng)絡(luò)過擬合解決方案
第10章案例實(shí)戰(zhàn)：神經(jīng)網(wǎng)絡(luò)CIFAR分類任務(wù)
10-1Cifar分類任務(wù)概述
10-2分模塊構(gòu)造神經(jīng)網(wǎng)絡(luò)
10-3訓(xùn)練神經(jīng)網(wǎng)絡(luò)完成分類任務(wù)
10-4感受神經(jīng)網(wǎng)絡(luò)的強(qiáng)大
第11章自然語言處理Word2Vec詞向量模型
11-1自然語言處理與深度學(xué)習(xí)
11-2語言模型
11-3N-gram模型
11-4詞向量
11-5神經(jīng)網(wǎng)絡(luò)模型
11-6Hierarchical Softmax
11-7CBOW模型實(shí)例
11-8CBOW求解目標(biāo)
11-9梯度上升求解
11-10負(fù)采樣模型
第12章Xgboost集成算法
12-1Xgboost算法概述
12-2Xgboost模型構(gòu)造
12-3Xgboost建模衡量標(biāo)準(zhǔn)
12-4集成算法實(shí)例概述
12-5ROC與AUC指標(biāo)
12-6基礎(chǔ)模型
12-7集成實(shí)例
12-8stacking模型
12-9效果改進(jìn)