1、培訓過程中，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、培訓結束后,授課老師留給學員聯系方式,保障培訓效果,免費提供課后技術支持。
        3、培訓合格學員可享受免費推薦就業機會。

• “人工神經網絡（Artificial Neural Networks）”是另一種算法方法，它也是早期機器學習專家提出的，存在已經幾十年了。神經網絡（Neural Networks）的構想源自于我們對人類大腦的理解——神經元的彼此聯系。二者也有不同之處，人類大腦的神經元按特定的物理距離連接的，人工神經網絡有獨立的層、連接，還有數據傳播方向。
• 　　例如，你可能會抽取一張圖片，將它剪成許多塊，然后植入到神經網絡的第一層。第一層獨立神經元會將數據傳輸到第二層，第二層神經元也有自己的使命，一直持續下去，直到最后一層，并生成最終結果。
• 　　每一個神經元會對輸入的信息進行權衡，確定權重，搞清它與所執行任務的關系，比如有多正確或者多么不正確。最終的結果由所有權重來決定。以停止標志為例，我們會將停止標志圖片切割，讓神經元檢測，比如它的八角形形狀、紅色、與眾不同的字符、交通標志尺寸、手勢等。
• 　　神經網絡的任務就是給出結論：它到底是不是停止標志。神經網絡會給出一個“概率向量”，它依賴于有根據的推測和權重。在該案例中，系統有86%的信心確定圖片是停止標志，7%的信心確定它是限速標志，有5%的信心確定它是一支風箏卡在樹上，等等。然后網絡架構會告訴神經網絡它的判斷是否正確。
• 　　即使只是這么簡單的一件事也是很超前的，不久前，AI研究社區還在回避神經網絡。在AI發展初期就已經存在神經網絡，但是它并沒有形成多少“智力”。問題在于即使只是基本的神經網絡，它對計算量的要求也很高，因此無法成為一種實際的方法。盡管如此，還是有少數研究團隊勇往直前，比如多倫多大學Geoffrey Hinton所領導的團隊，他們將算法平行放進超級電腦，驗證自己的概念，直到GPU開始廣泛采用我們才真正看到希望。
• 　　回到識別停止標志的例子，如果我們對網絡進行訓練，用大量的錯誤答案訓練網絡，調整網絡，結果就會更好。研究人員需要做的就是訓練，他們要收集幾萬張、甚至幾百萬張圖片，直到人工神經元輸入的權重高度精準，讓每一次判斷都正確為止——不管是有霧還是沒霧，是陽光明媚還是下雨都不受影響。這時神經網絡就可以自己“教”自己，搞清停止標志的到底是怎樣的；它還可以識別Facebook的人臉圖像，可以識別貓——吳恩達（Andrew Ng）2012年在谷歌做的事情就是讓神經網絡識別貓。
• 　　吳恩達的突破之處在于：讓神經網絡變得無比巨大，不斷增加層數和神經元數量，讓系統運行大量數據，訓練它。吳恩達的項目從1000萬段YouTube視頻調用圖片，他真正讓深度學習有了“深度”。
• 　　到了今天，在某些場景中，經過深度學習技術訓練的機器在識別圖像時比人類更好，比如識別貓、識別血液中的癌細胞特征、識別MRI掃描圖片中的腫瘤。谷歌AlphaGo學習圍棋，它自己與自己不斷下圍棋并從中學習。
  1什么是機器學習？
  2本案例講解中所涵蓋的知識點總括
  3核心技術點：numpy 數組
  4入門知識點：numpy索引
  5統計知識點：numpy統計
  6數組知識點：數組的乘積
  7入門策略：最優化問題
  8核心基礎：數據基礎
  9可視化的實現：matplotlib可視化基礎
  10智能算法：KNN算法
  11智能算法:knn分類器
  12入門示例：簡單線形回歸
  13入門示例：簡單線形方程推導
  14入門示例：簡單回歸代碼實現
  15入門示例：多元線性方程
  16拔高示例：多元線程實現