日期

主题

内容

实践案例

第

一

天

人工智能技术概述

1、人工智能技术发展历程

2、人工智能技术概述

（1）KNN实现鸢尾花数据集分类

（2）朴素贝叶斯算法识别中文垃圾邮件

（3）SVM识别手写数字

（4）SVM实现人脸分类

（5）决策实现泰坦尼克号生存预测

（6）随机森林在乳腺癌数据上的调参

（7）葡萄酒数据集的随机森林分类

（8）层次聚类、密度聚类可视化

（9）使用聚类算法压缩图像颜色

（10）利用PCA对手写数字特征降维

（11）利用PCA对人脸数据降维

（12）加州房价建模实现分区房价预测

（13）国家GDP与经济发展分类

机器学习建模概述

1、机器学习建模流程

2、数据集的构建

机器学习方法

1、机器学习定义与Sklearn介绍

2、特征工程与降维

3、回归分析

4、K近邻算法（KNN）

5、朴素贝叶斯算法

6、支持向量机（SVM）

7、决策树

8、随机森林

9、集成学习

10、聚类算法

11、机器学习模型评价

第

二

天

深度学习环境搭建

1、深度学习框架

2、高性能计算能于GPU加速

3、Cuda与Cudnn安装配置

4、数据标注与标注软件

（1）MINIST手写识别案例（CNN）

（2）鸢尾花分类（BP）

（3）结节分类（VGG）

（4）CIFAR数据集分类（CNN）

（5）猫狗图片分类（CNN）

（6）路标检测（Faster RCNN）

（7）车辆检测（Faster RCNN）

（8）吸烟识别预测（Faster RCNN）

（9）道路识别（YOLO）

（10）AI识虫（YOLO）

（11）安全帽检测（YOLO）

（12）细胞分割（U-Net）

（13）Deeplab图像分割

深度学习方法

1、误差后迭代神经网络

2、卷积神经网络

3、经典深度学习网络结构

4、VGG算法训练流程

5、深度学习模型评价

图像识别任务

1、图像分类

2、目标检测（Faster RCNN、YOLO）

3、实例分割（U-Net）

4、语义分割（Deeplab）

第

三

天

自然语言处理任务

1、文本数据处理

2、文本标注工具介绍

3、文本资料读取与分析

4、循环神经网络RNN

5、长短期记忆神经网络LSTM

6、Transformer算法

7、Bert算法

8、生成式大模型技术

（1）网络爬虫实践

（2）语料库的获取与词频分析

（3）文本数据处理流程

（4）命名实体匹配

（5）恐怖袭击分析

（6）结巴分词器

（7）词云可视化展示

（8）NLP文本特征方法对比

（9）基于word2vec的分类

（10）NLP相似度模型

（11）LSTM情感分析

（12）机器人写唐诗

（13）对话机器人

强化学习方法

1、强化学习基本概念

2、Gym实验环境基础知识

3、马尔可夫决策过程

4、动态规划

5、蒙特卡洛方法

6、时序差分

7、值函数逼近（DQN）

8、随机策略梯度（REINFORCE）

9、确定性策略梯度（DDPG）

10、AC算法及变种

（1）策略迭代方法求解迷宫寻宝问题

（2）值迭代方法求解迷宫寻宝问题

（3）蒙特卡洛模拟Monty Hall

（4）SARSA时序差分算法训练CartPole

（5）Q-Learning求解陷阱迷宫寻宝问题

（6）DQN实现CartPole平衡控制

（7）DQN实现AI自动玩FlappyBird

（8）REINFORCE训练小车爬坡

（9）DDPG算法训练机械臂抓取方块

（10）AC算法实现CartPole平衡控制

（11）A3C算法实现Mario