简介

第一章Python入门基础

、到底应该如何学习编程？应该学习哪种编程语言？为什么Python越来越受欢迎？

0、Python绘图基础

09:00-:00

:00-5:0

、Numpy简介、下载与安装

5:0-6:0

、Python初级绘制

6:0-8:00

、图像的常见格式及读写（彩色图像、灰度图像、二值图像等）

08:0-:00

:00-6:0

、BP神经网络的基本原理（人工智能发展过程经历了哪些曲折？人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？BP神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP神经网络建模的本质是什么？）

、Scikit-Learn模块库简介、下载与安装

8、

6:0 – 8:00

、极限学习机（Extreme Learning Machine, ELM）的基本原理（ELM的基本算法，“极限”体现在哪些地方？）

、ELM 与 BP 神经网络的区别与联系

08:00 – 0:00

、SVM的基本原理（什么是经验误差最小和结构误差最小？SVM的本质是解决什么问题？SVM的四种典型结构是什么？核函数的作用是什么？什么是支持向量？）

、SVM扩展知识（如何解决多分类问题？SVM除了建模型之外，还可以帮助我们做哪些事情？）

、SVM的Python代码实现

0:00 – :00

、决策树的基本原理（微软小冰读心术的启示；什么是信息熵和信息增益？ID算法和C.5算法的区别与联系）

、随机森林的基本原理（为什么需要随机森林算法？广义与狭义意义下的“随机森林”分别指的是什么？“随机”提现在哪些地方？随机森林的本质是什么？）

、决策树、随机森林（组合学习）的Python代码实现

:00 – 6:00

、遗传算法（Genetic Algorithm, GA）的基本原理（以遗传算法为代表的群优化算法的基本思想是什么？目前国内外的研究热点在哪些方面？）

、遗传算法的Python代码实现

、案例实践一：一元函数的寻优计算（极大值与极小值）

6:00 – 8:00

、变量降维与特征选择在概念上的区分

、主成分分析（PCA）、偏最小二乘（PLS）的基本原理（PCA与PLS的区别与联系；PCA除了降维之外，还可以帮助我们做什么？）

、常见的特征选择方法（优化搜索、Filter和Wrapper等；前向与后向选择法；区间法；无信息变量消除法；正则稀疏优化方法等）

、案例实践：变量降维与特征选择的Python代码实现

08:0-:00

、深度学习与传统机器学习的区别与联系（网络的隐含层数越多越好吗？与传统机器学习的区别是什么？）

、Python深度学习开源工具箱简介

、卷积神经网络的基本原理（什么是卷积核？CNN的典型拓扑结构是怎样的？CNN的权值共享机制是什么？CNN提取的特征是怎样的？）

、LeNet、AlexNet、Vgg-6/9、GoogLeNet、ResNet等典型深度神经网络的区别与联系解读

:00-5:0

、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？）

、常用的迁移学习算法简介（基于实例、特征和模型，譬如：TrAdaboost算法）

、基于深度神经网络的迁移学习算法

、循环神经网络RNN的基本工作原理

5:0-7:00

、如何查阅文献资料？（你会使用Google Scholar、Sci-Hub、ResearchGate吗？应该去哪些地方查找与论文配套的数据和代码？）

、如何高效率撰写专业论文？（SCI不同分区的论文差别在哪些地方？你知道你的论文为什么显得很单薄吗？）

、从审稿人的角度看，SCI期刊论文需要具备哪些要素？（审稿人关注点有哪些？如何回应审稿人提出的意见？）

、如何提炼与挖掘创新点？（如果在算法层面上难以做出原创性的工作，如何结合实际问题提炼与挖掘创新点？）

7:00-8:00

、建立微信群，便于后期的

、，解答学员的实际问题

、相关学习资料分享与拷贝（图书推荐、在线推荐等）