工欲善其事，必先利其器。很多小伙伴都想学人工智能，那么你只需要参考这套学习路线，静下心来一步一步学习，相信你很快就能开启AI人工智能的大门了！
话不多说，开始敲重点：
预科阶段：快速实战入门
1)?人工智能应用
2)?人工智能流程与本质
3)?人工智能流程对比人类思考过程
4)?机器学习与深度学习本质区别
5)?回归与分类任务本质
6)?聚类与降维任务本质
1)?KNN?原理
2)?Anaconda?运行环境安装
3)?Pycharm?开发环境配置安装
4)?KNN?的 python?代码实现
5)?Scikit-learn?模块讲解
6)?KNN?的 sklearn?代码实战
1.?Python?基础语法
1)?循环控制
2)?切片操作
3)?数据类型
4)?集合操作
5)?常用内建函数
6)?函数式编程
7)?类与对象
8)?继承
9)?装饰器
10)?生成器
1)?Numpy?ndarray?对象
2)?Numpy?数据类型
3)?Numpy?数组属性
4)?Numpy?创建数组
5)?Numpy?切片和索引
6)?Numpy?高级索引
7)?Numpy?广 播
8)?Numpy?数组操作
9)?Numpy?数学和统计函数
10)?Numpy?排序、条件过滤函数
11)?Numpy?线性代数
1)?Pandas?IO?文件操作
2)?Pandas?索引和数据选择器
3)?Pandas?合并、连接
4)?Pandas?缺失值数据处理
5)?Pandas?数据离散化
6)?Pandas?统计计算
1)?Matplotlib 散点图、线图、核密度图
2)?Matplotlib?饼图、直方图、盒图
3)?Matplotlib?等高线图
4)?Matplotlib 可视化剖析逻辑回归损失函数
5)?Seaborn 单变量、多变量的图形绘制
6)?Seaborn Style?和 Color
7)?Seaborn facetgrid
1.?微积分基础
1)?导数的定义
2)?左导数、右导数、可导函数
3)?导数几何意义、物理意义
4)?基本函数求导公式
5)?四则运算法则
6)?复合函数求导法则
7)?神经网络激活函数的导函数求解
8)?高阶导数
9)?导数与函数单调性
10)?极值定理
11)?导数与函数凹凸性
12)?一元函数泰勒展开
1)?向量与其运算
2)?行向量和列向量
3)?向量加减、数乘、内积、转置
4)?向量范数
5)?特殊向量
6)?矩阵与其运算
7)?方阵、对称阵、单位阵、对角阵
8)?矩阵加减、数乘、矩阵乘法、转置
9)?逆矩阵
10)?行列式
1)?偏导数
2)?高阶偏导数
3)?梯度
4)?雅可比矩阵
5)?Hessian?矩阵
6)?极值判别法则
1)?二次型
2)?特征值和特征向量
3)?特征值分解
4)?多元函数的泰勒展开
5)?矩阵和向量的求导公式
6)?奇异值分解
7)?奇异值分解计算方式
8)?奇异值分解性质
9)?SVD?用于数据压缩
10)?SVD?用于 PCA?降维
11)?SVD?用于协同过滤
12)?SVD?用于矩阵求逆
1)?随机事件和随机事件概率
2)?条件概率和贝叶斯公式
3)?随机事件的独立性
4)?随机变量
5)?数学期望和方差
6)?常用随机变量服从的分布
7)?随机向量
8)?随机变量独立性
9)?协方差与协方差矩阵
10)?随机向量的常见分布
11)?最大似然估计
1)?局部最小和全局最小
2)?迭代法求解
3)?梯度下降法推导
4)?牛顿法推导
5)?坐标下降法
6)?数值优化算法的问题
7)?凸集
8)?凸函数
9)?凸优化问题
10)?拉格朗日乘数法
11)?拉格朗日对偶
12)?KKT?条件
1.?多元线性回归
1)?简单线性回归
2)?最优解与最小二乘法
3)?多元线性回归判别式
4)?多元线性回归的数学假设
5)?利用 MLE?推导出目标函数
6)?对数似然推导出 MSE?损失函数
7)?MSE?求偏导得到参数解析解
8)?多元线性回归的 python?代码实现
9)?多元线性回归的 sklearn?代码实战
1)?梯度下降法原理与公式
2)?学习率设置的学问
3)?GD?应用于多元线性回归的流程
4)?全量梯度下降的原理与代码实现
5)?随机梯度下降的原理与代码实现
6)?Mini-Batch?梯度下降的原理与代码实现
7)?代码实现增加 MBGD?数据的随机性
8)?代码实现动态调整学习率
1)?归一化目的与量纲
2)?归一化提高模型精度
3)?最大值最小值归一化与缺点
4)?方差归一化与好处
5)?均值归一化与好处
6)?标准归一化的代码实战与技巧
1)?提高泛化能力与防止过拟合
2)?正则化用于损失函数
3)?L1?与 L2?正则项与范数的关系
4)?结合 GD?讲解 L1L2?的几何意义
5)?透过导函数讲解 L1?的稀疏性
6)?透过导函数讲解 L2?的平滑性
1)?Lasso?回归原理与代码实战
2)?Ridge?回归原理与代码实战
3)?ElasticNet?回归原理与代码实战
4)?升维的意义
5)?多项式回归进行升维原理
6)?多项式升维代码实战
1.?逻辑回归
1)?Sigmoid?函数特点
2)?广义线性回归与逻辑回归的数学假设
3)?证明伯努利二项分布属于指数族分布
4)?推导出逻辑回归判别式
5)?推导出逻辑回归损失函数 log?loss
6)?推导出损失函数导函数用于最优化
7)?逻辑回归解决多分类问题 OVR
8)?逻辑回归代码实战--鸢尾花数据集分类
1)?Softmax?函数特点
2)?广义线性回归与 Softmax?回归的数学假设
3)?证明多项式分布属于指数族分布
4)?推导出 Softmax?回归判别式
5)?推导出 Softmax?回归损失函数 cross-entropy
6)?证明逻辑回归是 Softmax?的特例
7)?剖析逻辑回归多分类和 Softmax?多分类的本质区别
8)?Softmax?回归代码实战--音乐曲风分类
1)?SVM?与感知机关系
2)?几何距离和函数距离
3)?SVM?支持向量机算法原理
4)?SVM?的损失函数
5)?硬间隔 SVM?的优化步骤
6)?软间隔 SVM
7)?非线性 SVM?与核函数
8)?SVM?在 sklearn?模块中参数详解
9)?SVM?人脸识别案例
10)?SVM?的概率化输出
11)?SVM?的 OVO?多分类
12)?SVM 的 hinge?loss
1)?SMO?优化算法的子二次规划问题思路
2)?SMO?把目标函数从二元函数变一元函数
3)?SMO?推导出新的α和旧的α关系
4)?SMO?对α进行剪裁
5)?SMO?优化 SVM?算法代码实现
1)?相似度测量方法
2)?K-means?算法原理
3)?K-means?图像应用案例
4)?K-medoids?算法
5)?K-means++算法
6)?Mini-batch?K-means?算法
7)?Canopy?聚类算法
8)?Agnes?层次聚类算法
9)?Diana?层次聚类算法
10)?DBSCAN?密度聚类算法
11)?Spectral?谱聚类
12)?微博用户聚类分析案例
1)?特征选择与特征映射
2)?最大投影方差原理与推导
3)?最小投影距离原理与推导
4)?PCA?过程的中心化
5)?Kernelized?PCA
6)?SVD?奇异值分解用于 PCA
1)?Jensen?不等式
2)?EM?算法的 E-step
3)?EM?算法的 M-step
4)?EM?在 GMM?公式推导中应用
1)?单一高斯分布的参数估计
2)?混合高斯分布的似然函数
3)?GMM?的计算流程
4)?GMM?之图片前景背景分离代码实战
5)?GMM?之根据声音判别性别代码实战
6)?GMM?之根据声音判别用户代码实战
1)?决策树的算法原理与数学表达
2)?分裂指标 Gini?系数、信息增益、信息增益率
3)?前剪枝与后剪枝
4)?决策树 ID3、C4.5?和 CART
5)?决策树算法优略比较
6)?决策树之鸢尾花数据集分类案例
7)?通过 graphvis?绘制决策树模型
1)?集成学习算法思想 Bagging、Boosting、Stacking
2)?用户画像集成学习方法案例
3)?OOB?数据集验证随机森林算法
4)?随机森林副产品之特征选择
1)?Adaboost?算法原理
2)?数据的权重与权重错误率
3)?权重错误率调整到 0.5?训练下一个弱分类器
4)?计算每个样本的权重 Un
5)?应用 Adaboost?算法做人脸识别
1)?函数空间的梯度下降与负梯度
2)?推导 GBDT?回归是拟合残差
3)?Shrinkage?衰减系数的作用
4)?推导 GBDT?分类亦是拟合残差
5)?GBDT?二分类模型训练和使用
6)?GBDT?多分类模型训练和使用
7)?GBDT?副产品之特征组合用于降维
8)?实现 GBDT+LR?架构代码实战
1)?XGBoost?算法与决策树集成学习关系
2)?XGBoost?目标函数与正则项
3)?XGBoost?目标函数用二阶泰勒展开
4)?推导简化 XGBoost?目标函数引入 g h
5)?XGBoost?目标函数加入树的复杂度
6)?推导出 XGBoost?目标函数最终形式和叶子节点表达式
7)?详解 XGBoost?算法参数与交叉验证
8)?XGBoost?算法调用 GPU?显卡资源加速
1.?CTR?广告预估项目
https://www.kaggle.com/c/avazu-ctr-prediction
2.?网页分类案例
注明：此教学项目需要 SparkMLlib?和 SparkML?基础，如果暂时不会 Spark?可以暂时跳过此项目
https://www.kaggle.com/c/stumbleupon
3.?药店销量预测案例
https://www.kaggle.com/c/rossmann-store-sales
4.?活动推荐预测案例
https://www.kaggle.com/c/event-recommendation-engine-challenge
5.?银行贷款风控案例
https://www.kaggle.com/c/home-credit-default-risk
1.?Spark?计算框架基础
1)?分布式存储和计算概念
2)?Spark?计算框架特点
3)?分布式计算 Shuffle?流程
4)?Spark?RDD?五大特性
5)?PySpark?模块安装与配置
6)?代码实战 WordCount?计算和排序
7)?代码实战蒙特卡洛计算圆周率 Pi
1)?算子操作 Transformation?和 Action
2)?RDD?持久化
3)?宽窄依赖
4)?Spark?DAG?优化
5)?Spark?架构运行剖析
6)?读取分布式 HDFS?数据与并行度设置
1)?MLlib?的 LocalVector?之稠密向量和稀疏向量
2)?MLlib?的有监督学习数据类型 LabeledPoint
3)?ML?中用到的 DataFrame?数据框操作
4)?ML?中用到的 UDF?函数
5)?ML?的 pipeline?流程思路
1)?朴素贝叶斯分类器
2)?拉普拉斯估计
3)?代码实战垃圾邮件分类
1)?马尔可夫过程
2)?初始概率、转移概率、发射概率
3)?隐含马尔可夫模型原理
4)?维特比算法
1)?熵、条件熵、相对熵、互信息
2)?最大熵模型算法原理
3)?有约束条件的函数最优化问题
4)?最大熵和最大似然估计关系
5)?IIS?算法
1)?条件随机场的性质
2)?条件随机场的判别函数
3)?条件随机场的学习
4)?条件随机场的推断
CRF?与 HMM?关系
1)?从生物神经元到人工神经元
2)?激活函数 Relu、Tanh、Sigmoid
3)?透过神经网络拓扑理解逻辑回归分类
4)?透过神经网络拓扑理解 Softmax?回归分类
5)?透过神经网络隐藏层理解升维降维
6)?剖析隐藏层激活函数必须是非线性的原因
7)?神经网络在 sklearn?模块中的使用
8)?水泥强度预测案例及绘制神经网络拓扑
1)?BP?反向传播目的
2)?链式求导法则
3)?BP?反向传播推导
4)?不同激活函数在反向传播应用
5)?不同损失函数在反向传播应用
6)?Python?实现神经网络实战案例
1)?TF?安装（包含 CUDA?和 cudnn?安装）
2)?TF?实现多元线性回归之解析解求解
3)?TF?实现多元线性回归之梯度下降求解
4)?TF?预测 california?房价案例
5)?TF?实现 Softmax?回归
6)?Softmax?分类 MNIST?手写数字识别项目案例
7)?TF?框架模型的保存和加载
8)?TF?实现 DNN?多层神经网络
9)?DNN?分类 MNIST?手写数字识别项目案例
10)?Tensorboard 模块可视化
1.?卷积神经网络原理
1)?感受野与卷积
2)?卷积的计算
3)?权值共享
4)?Stride?步长
5)?Padding?模式
6)?Pooling?池化
7)?TF?实现 CNN?卷积神经网络
8)?CNN?分类 MNIST?手写数字识别项目案例
1)?梯度消失与梯度爆炸
2)?Dropout?防止过拟合
3)?Relu?激活函数变形
4)?Xavier?Glorot?初始化
5)?Optimizer?优化器
6)?Data?Augmentation?数据增强
7)?Batch?Normalization?归一化
8)?Cifar10?图像识别案例
1)?LeNet
2)?AlexNet
3)?VGG16
4)?InceptionV3
5)?ResNet
6)?DenseNet
7)?MobileNet
8)?皮肤癌医疗图像检测项目
9)?GAN?生成对抗网络
10)?图像风格迁移项目
1)?读取 IP?摄像头
2)?RGB?与 HSV?空间变换
3)?直方图均值化
4)?边缘检测
5)?人脸检测
6)?物体追踪
7)?车道线检测
8)?车牌识别案例
1)?图像金字塔
2)?古典目标检测架构
3)?ROI、IOU、FPS、NMS、mAP
4)?IOU?代码实现
5)?NMS?代码实现
6)?特征金字塔
7)?SPP?net
8)?ROI?池化
1)?Fast R?CNN
2)?Faster R?CNN
3)?RPN?网络、Anchor?boxes
4)?Mask R?CNN
5)?SSD
6)?Yolo V1 V2?V3
7)?Cascade R CNN
8)?模型压缩
1.?词向量与词嵌入
1)?TFIDF
2)?Word2Vec?算法
3)?Gensim?模块
4)?Skip-gram
5)?TF?代码实现 Word2Vec 算法项目
6)?FastText
7)?Word?Embedding
8)?深度学习用户画像项目
1)?Vanilla?RNN
2)?Basic RNN?实现 MNIST?手写数字图片识别
3)?LSTM?长短时记忆
4)?GRU?与双向 LSTM
5)?电影评论情感分析案例
6)?Seq2Seq
7)?机器写唐诗案例
8)?CNN+LSTM+CRF
9)?POS?tagging?词性标注案例
10)?NER?命名实体识别案例
11)?孪生网络
12)?语义相似度分析案例
1)?Attention?注意力机制
2)?Attention?算法流程
3)?Transformer
4)?Self-Attention?机制
5)?Multi-Head Attention
6)?Bert
7)?Bert?as?service?开源项目
各省市电网，需要建立一套完善的电缆线部件缺陷检测的平台，为各省市的电缆线部件 ???缺陷提供智能化的解决方案，进一步确保电网系统的安全运行。现在有些省市的电网缺陷部 ???件的检测仍采用人工查缺的方式，智能化的缺陷检测平台可以提高电缆线部件缺陷检测的准 ???确率，节省成本。
重点依托 cascade R-CNN?算法，以及 mmdetection?工具，完成整套从数据标注到模型训练、优化。
对目标检测算法有一个很好的了解，重点掌握 cascade R-CNN 算法能够对 mmdetection 工具有一个很好的了解
对数据打标签、数据集制作、算法模型训练有一个很好的掌握 ?对 mmdetection?代码有一定了解，学会如何改进和优化算法
在机器视觉应用中，外观检测一直是行业痛点。外观缺陷中的划痕、脏污、形态不一、 ???大小不同、深浅和各种姿态都不同，很难用传统的视觉检测算法稳定检测。但是随着深度学习技术的发展，采用深度学习模式的外观检测程式，成为了外观检测的新方法。
重点依托 Faster?R-CNN?算法，以及 TensorFlow?工具，完成整套从数据标注到模型训练、优化。
对目标检测算法有一个很好的了解，重点掌握 Faster?R-CNN?算法对数据打标签、数据集制作、算法模型训练有一个很好的掌握
对 Faster?R?CNN?代码有深刻认知，学会如何改进和优化算法
施工工地对安全帽佩戴的检测和监管力度越来越大了，从智能安全帽的应用到安全帽检 ???测系统的智能管理，现在的安全帽检测升级版对于安全帽佩戴标准也有了新的分析算法，对 ???未正确佩戴、悬挂等都能准确检测识别。对工作服颜色接近安全帽颜色的检测能力有了更高 ???的提升，比传统的安全帽识别系统精度更高。
重点依托 Yolo one stage?算法，以及 Darknet?工具，完成整套从数据标注到模型训练、优化。
对目标检测算法有一个很好的了解，重点掌握 Yolo V3 算法对数据打标签、数据集制作、算法模型训练有一个很好的掌握 ?对 Yolo V3 代码有深刻认知，学会如何改进和优化算法
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄 ???像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸 ???进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。
通过一个完整的人脸识别项目，掌握人脸识别系统的开发流程和关键技术。
从 0?到 1，全面剖析完整项目整个建设生命周期：需求分析、架构设计、环境部署、程序设计、模型训练。
掌握人脸识别一般过程，人脸检测、人脸对齐、人脸识别 掌握人脸检测的集成学习方法
掌握人脸检测的 CNN 方法
掌握人脸检测+关键点定位的多任务网络 MTCNN
OCR?文字识别软件，指利用 OCR （Optical Character Recognition，光学字符识别） 技术，将图片、照片上的文字内容，直接转换为可编辑文本的软件。软件可以把图片转换成可以编辑的文字。从验证码、身份证识别、驾驶证识别、票据识别，到如今更多的识别自然场景下的整句话，甚至理解 PDF?里面带错别字的整段文字，应用场景可谓非常之广。
掌握目标检测+RNN+CTC loss 完成通用的深度学习 OCR 架构。
了解 OCR 应用场景和概念
掌握目标检测+RNN+CTC loss 架构掌握 CTC loss 中的原理
掌握深度学习训练 OCR 模型的整体流程和代码
实体关系抽取解决了原始文本中目标实体之间的关系分类问题，它也被广泛应用于文本 ???摘要、自动问答系统、知识图谱、搜索引擎和机器翻译中。中文实体关系抽取由于中文句式 ???和语法结构复杂，汉语有更多歧义，会影响关系分类的效果。
对实体关系抽取技术、在行业应用有很清晰的认识。学会如何从语料库中通过机器学习 ???和深度学习算法建立关系，服务于自动聊天机器人和知识图谱。
了解任务是从无结构的文本中抽取实体以及实体之间的关系（实体 1-关系-实体 2，三元组），这里的关系是我们预定义好的关系类型。
可以学到综合运用词嵌入、BiLSTM、CRF 等 NLP 相关知识
聊天机器人（Chatbot），又被称为对话代理（Conversational Agents）或对话系统
（Dialog Systems），是当前的一个研究热点。Microsoft?在聊天机器人领域下了巨大赌注，其他的公司，例如 Facebook（M）、Apple（Siri）、Google、WeChat?和 Slack?也不甘落后，推出了相关的产品。这股聊天机器人的新浪潮，也在一些创业公司兴起了：试图改变用户和服务之间的交互模式的产品
我们将会介绍用于搭建聊天机器人模型的深度学习技术，让同学对于“这个领域中，什 ???么是能做到的，什么是现阶段几乎不可能实现的”有一个清晰的认知。并且学习搭建检索式 ???聊天机器人和产生式聊天机器人。
对智能问答技术会有很清晰的认识
理解意图识别、实体关系抽取对 Chatbot?的作用可以学到一个聊天机器人项目实现
了解聊天机器人现阶段面临的挑战
知识图谱的应用从最初的 Google?搜索，已经蔓延到了聊天机器人，大数据风控、投资、智能医疗、自适应教育、推荐系统、物联网等多个重要领域，并逐步成为不可缺少的一门人工智能技术。
对知识图谱技术、行业应用有很清晰的认识。学到完整知识图谱项目全生命周期所涉关 ???键问题的解决思路。
对知识图谱技术、行业应用全貌会有很清晰的认识
可以学到一个完整知识图谱项目全生命周期所涉及到的步骤 ?对每个关键问题的解决思路
推荐系统在各种系统中广泛使用，推荐算法则是其中最核心的技术点， 为推荐系统选择正确的推荐算法是非常重要的决定。每一种推荐算法都有其优点和缺点，当然也有其限制 ???条件，在作出决定之前，必须要一一考量。在实践中，你可能会测试几种算法，以发现哪一 ???种最适合你的用户，学习中你也会直观地发现它们是什么以及它们的工作原理。
掌握推荐系统原理与工作方式，使用 SparkMLlib 库进行建模。并且掌握更多推荐系统相关算法的运用。
对推荐系统技术架构、行业应用全貌会有很透彻的理解掌握 SparkMLlib、Hive 数仓、python 脚本的综合使用掌握 GBDT+LR 架构在推荐系统的运用
掌握 FM 和 FFM 算法在推荐系统中的运用
掌握深度学习推荐算法 wide and deep learning
智能商业分析项目对于企业的盈利会起到非常直接的影响，会深入影响企业制定战略策 ???略，也是很多企业非常看重的硬需求。成功案例比如，微博粉丝推广，宠物类目如何圈定投 ???放人群，如何保持有效客户池，店铺营销，如何招揽客圈人，挖掘潜在人群，ROI（投资回 ???报率）翻倍，企业成本控制。
全面了解智能商业的价值，了解运营的价值，挖掘深层次用户行为、消费能力、行业所 ???需，结合机器学习算法和 NLP?知识进行数据挖掘
掌握智能商业分析和运营的关系
通过机器学习算法、分类、预测、深层次学习特征发现 深入理解企业级用户画像系统
基于画像系统提高公司的收益
学会销售分析、投入分析、商品分析、促销分析、行为分析、CAC 模型精准分析用户、ROI 精准实现变现能力
BC链 http://www.chinabic.com/?id=97 转载需授权！
网友评论