☆ 1、如有部分内容理解不透或消化不好，可免费在以后培训班中重听；
      ☆ 2、在课程结束之后,授课老师会留给学员手机和E-mail,免费提供半年的课程技术支持，以便保证培训后的继续消化；
      ☆3、合格的学员可享受免费推荐就业机会。
      ☆4、实战授课。

• 第一章：监督学习
  简介
  在深入研究多种机器学习算法之前，我们先了解整个领域的全局知识
  线性回归
  了解分类与回归的区别，学习如何使用线性回归来做预测
  感知器算法
  学习神经网络中的感知器，以及如何使用它进行分类
  决策树
  学习决策树，并使用决策树探索泰坦尼克号乘客存活模型
  朴素贝叶斯
  学习朴素贝叶斯原理，并构建垃圾邮件分类器
  支持向量机
  学习如何训练支持向量机以线性分离数据；
  使用核方法在非线性可分的数据上来训练 SVMs
  集成方法
  通过 boosting 提升传统方法；Adaboost
  模型评估维度
  学习评估模型的常用维度：准确率、精读、召回率等等。
  错误与优化
  了解训练过程中常见的错误类型，学习如何处理错误来优化模型性能。
  Lab：为银行提供精准营销方案
  练习机器学习基础技能，在实战中掌握预测的 pipeline。
• 实战项目 1：航班延误预测
  第二章：深度学习
  神经网络简介
  学习深度学习基础，包括 softmax、one-hot encoding 和 cross entropy
  学习感知器与梯度下降
  实现梯度下降
  了解如何实现梯度下降，并实现一个反向传播
  训练神经网络
  学习如何训练神经网络，包括早期停止、正则化、dropout等知识
  PyTorch
  学习如何使用 PyTorch 构建神经网络，并在 Fashion-MNIST 数据集上学习图像分类与迁移学习。
  实战项目 2：人脸识别
  第三章：非监督学习
  聚类
  学习如何聚类算法，并尝试使用 k-means 对数据进行聚类
  层次聚类法与密度聚类
  学习单连接聚类法和层次聚类法，DBSCAN
  高斯混合模型与聚类验证
  学习高斯混合模型及相关示例，以及聚类分析过程和如何验证聚类结果。
  降维和 PCA
  了解降维的作用，并学习 PCA 的原理和使用场景
  随机投影与 ICA
  学习随机投影与独立成分分析，并通过 Lab 学习如何应用这些方法
  实战项目 3：创建客户细分
  第四章：软件工程
  软件工程练习
  编写清晰、注释充分的模块化代码
  重构代码并提高代码效率
  创建检验程序的单元测试
  通过日志记录进程操作和结果
  审阅代码
  编程
  了解何时使用面向对象编程；
  构建和使用类；
  了解如何创建大型模块化 Python 软件包并使用面向对象编程
  将软件包上传到 PyPI
  作品集练习：构建你自己的 Python 软件包
  案例演练：构建 PYTHON 软件包
  第五章：模型部署
  部署简介
  了解云端和部署术语
  了解生产环境中的机器学习工作流程
  了解机器学习的工作场所用例
  部署模型
  在 SageMaker 中部署模型
  使用 SageMaker 上的 XGBoost 预测波士顿房价
  使用 SageMaker 上的 XGBoost 判断影评情感
  网络托管
  学习如何从网站提供端点访问权限；
  使用 API Gateway 和 Lambda 将机器学习模型集成到网络应用中；
  模型监控
  了解如何监控模型随时间推移的行为；
  使用 SageMaker 的自动化超参数调节工具调节 XGBoost 模型的超参数；
  在 SageMaker 上运行 A/B 测试，比较调节过的模型与未调节的模型；
  更新模型
  在监控模型的过程中发现数据有变化后，相应地更新模型；
  了解如何处理在情感分析过程中添加到模型中的新短语；
• 实战项目 5：部署情感分析模型
  第六章：机器学习案例研究
  利用 SageMaker 进行总体分割
  使用 AWS SageMaker 了解可用的算法广度；
  了解如何通过 SageMaker 使用非监督式算法分析数据；
  使用 SageMaker 部署非监督式模型；
  通过提取模型属性了解数据；
  检测信用卡欺诈行为
  构建并改善能识别付款欺诈行为的线性模型；
  处理训练数据类别不平衡的问题；
  在 SageMaker 中根据特定指标调节模型并改善模型性能；
  部署自定义模型
  使用 SageMaker 部署自定义 PyTorch 模型；
  编写自定义训练脚本，并训练你设计的模型；
  时间序列预测
  处理时间序列数据并调整数据格式，使数据适合训练机器学习模型；
  使用 SageMaker 的DeepAR 算法进行时间序列预测；
  部署模型并使用模型预测未来的数据点；