☆ 1、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、在課程結束之后,授課老師會留給學員手機和E-mail,免費提供半年的課程技術支持，以便保證培訓后的繼續消化；
      ☆3、合格的學員可享受免費推薦就業機會。
      ☆4、合格學員免費頒發相關工程師等資格證書，提升您的職業資質。

第1部份：

00_為什么要學習數學

01_引言和學習方法

02_feature和label

03_什么是機器學習

04_數據采集方式

05_knn算法入門

06_knn算法python實現

07_代碼流程回顧

08_抽取knn函數

09_實驗演示驗證結論

10_評估模型好壞的方法，訓練集和測試集

11_生成測試和訓練數據集

12_調參選取最優的k

13_增加數據的維度

14_numpy加載特殊數據

15_歐式距離

16_二維空間距離的計算

17_代碼增加一個維度

18_數據歸一化

19_knn的feature的選擇

20_向量和向量的運算

21_概念總結

22_使用矩陣和向量實現knn

23_ 房價預測簡單框架

24_數據的歸一化和標準化

附1_如何學習數學

附：問題1

第2部份：

01_線性回歸和Knn

02_線性回歸解決什么問題

03_Excel進行線性回歸

04_損失函數和最小均方差

05_excle來簡單理解梯度下降

06_梯度下降的問題分析

07_求導簡單入門

08_mse對b進行求導

09_Excel演示梯度下降&學習速率

10_偏導數分別求解m和b的導數

11_對m和b分別進行梯度下降

12_Python代碼實現梯度下降

13_代碼測試生成m和b

14_作業演示

附_作業講解

第3部份：

01_高等數學入門

02_問題描述

03_簡單理解矩陣運算的現實含義

04_矩陣的形狀

05_矩陣的加法

06_手動計算矩陣的乘法

07_矩陣的乘法不滿足交換律

08_用numpy進行矩陣的乘法運算

09_矩陣運算計算m和b的偏導數

10_numpy矩陣運算演示獲取m和b的偏導

11_用矩陣運算重構線性回歸代碼

12_對比程序執行的時間

13_增加數據的維度

14_函數模型的評估和錯誤率的計算

15_矩陣可以理解為一個變化函數

16_bmp是如何描述圖片的

17_位圖和svg圖的區別

18_矩陣運算變化圖片的位置

19_矩陣運算旋轉圖形

20_矩陣的縮放處理

21_圖形變換綜合案例

22_機器學習淺談

23_sigmod函數引入

24_邏輯回歸的步驟

附：擴展作業

第4部份：

01_自然底數和sigmod函數

02_矩陣運算計算邏輯回歸

03_邏輯回歸簡單實現

04_多分類問題

05_多分類的概率問題思考

06_多分類問題softmax公式

07_手寫數字數據集

08_手寫數字的識別原理

09_手寫數字數據集的處理

10_手寫數字的識別

11_手寫數字bug處理

12_ai自動駕駛

13_神經網絡的作用

14_多層神經網絡演示

15_感知機

16_感知機數學原理

17_線性模型和非線性模型

18_交叉熵cross-entropy

19_概率簡介