国务院印发《新一代人工智能发展规划》，明确指出在中小学阶段设置人工智能相关课程后，编程教育走进了更多人的视野。Python 作为人工智能时代最合适的语言，无疑被越来越多人追捧。Python已经被北京、浙江、山东等省份纳入高考内容之一，将成为高考加分的利器。

教育部考试中心已经公布，在计算机二级考试加入“Python语言程序设计”科目，Python将于2018年9月全国计算机等级考试首次亮相。点击查看考试大纲

在众多领域中：人工智能、机器学习、数据挖掘、数据分析、云计算、网络爬虫等都离不开python的身影。

本课程主要讲解主流的机器学习算法和数据挖掘用到的主流算法，以及讲解如何用Python实践。课程全程答疑保证每一位报名学员都能学会学懂。

- 讲师简介 -

张阳阳

清华大学博士生，研究方向：人工智能、机器学习、深度学习。熟练掌握 Python 在人工智能中的应用。擅长数值计算与仿真模拟，精通各种 AI 算法和编程：回归预测、全局优化、聚类分类、综合评价、模式识别等。曾作为Python课程讲师，有 4 年多的教学经验。

- 课程目录 -

课程详细内容

1 最强大脑之“分形之美”
  1.1 数学分形简介
  1.2 模型建立与求解
  1.3  Python 程序讲解
  1.4 模型的评价与拓展
  1.5 模型的变型与思考
2 助攻微信“跳一跳”游戏
  2.1 微信“跳一跳”简介
  2.2 模型建立与求解
  2.3  Python 程序讲解
  2.4 模型的评价与拓展
  2.5 模型的变型与思考
3 模型的建立
  3.1 sklearn转换器
  3.2 聚类模型
  3.3 分类模型
  3.6 回归模型
  3.5 相关模型
  3.6 降维模型
  3.7 课后作业
4 回归分析（Regression Analysis）
  4.1  线性回归和非线性回归
  4.2  实训：基于回归分析预测房价及变化趋势
  4.3  Python程序讲解和注意事项
  4.4  课后作业
  4.5  课后测试
5 逻辑回归（Logistic Regression）
  5.1  Logistic回归原理介绍
  5.2  实训：基于逻辑回归预测泰坦尼克号乘客的存活率
  5.3  Python程序讲解和注意事项
  5.4  课后作业
  5.5  课后测试
6 课程复习与课后作业讲解
  6.1  第1~5节课后作业讲解
  6.2  阶段复习
  6.3  阶段考试
7 决策树（Decision Tree）
  7.1  决策树原理介绍
  7.2  实训：基于决策树算法对男女性别进行分类
  7.3  Python程序讲解和注意事项
  7.4  课后作业
  7.5  课后测试
8 课程复习与课后作业讲解
  8.1  第7节课后作业讲解
  8.2  阶段复习
  8.3  阶段考试
9 人工神经网络（Artificial Neural Network）
  9.1  人工神经网络原理介绍
  9.2  实训：基于BP人工神经网络对MNIST数据集进行识别和预测
  9.3  Python程序讲解和注意事项
  9.4  课后作业
  9.5  课后测试
10 课程复习与课后作业讲解
  10.1  第9节课后作业讲解
  10.2  阶段复习
  10.3  阶段考试
11 k近邻分类（k Nearest Neighbor）
  11.1  k近邻分类原理介绍
  11.2  实训：基于k近邻分类对小麦种子进行分类
  11.3  Python程序讲解和注意事项
  11.4  课后作业
  11.5  课后测试
12 期中考试及点评讲解
  12.1  课程期中考试
  12.2  考后点评讲解
  12.3  模型建立与求解
  12.4  模型的评价与拓展
  12.5  试题的变型与思考
13 朴素贝叶斯分类（Naive Bayesian）
  13.1  朴素贝叶斯分类原理介绍
  13.2  实训：基于朴素贝叶斯分类对文本进行扫黄分析
  13.3  Python程序讲解和注意事项
  13.4  课后作业
  13.5  课后测试
14 课程复习与课后作业讲解
  14.1  第10~13节课后作业讲解
  14.2  阶段复习
  14.3  阶段考试
15 聚类分析（Cluster Analysis)
  15.1  朴素贝叶斯分类原理介绍
  15.2  实训：基于聚类分析对鸢尾花（iris）数据集分类
  15.3  Python程序讲解和注意事项
  15.4  课后作业
  15.5  课后测试
16 课程复习与课后作业讲解
  16.1  第15节课后作业讲解
  16.2  阶段复习
  16.3  阶段考试
17 支持向量机（Support Vector Machine）
  17.1  支持向量机原理介绍
  17.2  实训：基于支持向量机对MNIST数据集分类及参数的调优
  17.3  Python程序讲解和注意事项
  17.4  课后作业
  17.5  课后测试
18 课程复习与课后作业讲解
  18.1  第17节课后作业讲解
  18.2  阶段复习
  18.3  阶段考试
19 机器学习概论
  19.1 机器学习概述
  19.2 机器学习的常见算法
  19.3 机器学习的编程语言
  19.4 机器学习的应用
20 数据挖掘概论
  20.1 数据挖掘概述
  20.2 数据质量探索与数据特征分析
  20.3 数据清洗、数据集成、数据变换、数据规约
  20.4 模型评估与选择
21 数据预处理
  21.1 获取数据
  21.2 合并数据
  21.3 清洗数据
  21.4 标准化数据
  21.5 转换数据
22 期末考试及点评讲解
  22.1 课程期末考试
  22.2 考后点评讲解
  22.3 模型建立与求解
  22.4 模型的评价与拓展
  22.5 试题的变型与思考

- 课前准备 -

需要掌握Python基础编程知识

要求有高等数学、概率论、线性代数基础（大学期末考试及格水平即可）

先修课程《Python零基础入门与科学计算》

- 授课方式 -

1、本次课程为全程录播课，答疑群里主讲老师和助教实时答疑。

2、本次课程配套习题和习题讲解课。

- 课程特点 -

• 循序渐进，由浅入深、从入门到进阶
• 学有所成，每次课程配有作业，巩固学习成果，完成课程闭环
• 代码公开，面向学员公开课程的课件和源代码，随时回顾
• 答疑无忧，学员加入微信群，群内和讲师实时互动答疑

扫码添加“雨祯”

▼