第一天：人工智能概念与经典算法

人工智能概念综述（第一天——1）

1、  从一些术语辨析人工智能

2、  人工智能之连接主义的兴衰史

3、  这次AI的热潮是怎么来的？

图像处理领域的最新热点（第一天——2）

1、  分类、目标检测与实例分割

2、  风格迁移

3、  自动驾驶

4、  人体姿态识别

5、  超分辨率图像生成

语言处理领域的最新热点（第一天——3）

1、  Attention机制

2、  自动构建知识图谱

3、  看图说话

4、  预训练机制

三大经典算法（第一天——4）

1、  决策树算法

2、  决策树案例：手术后驼背的发生概率

3、  聚类算法

4、  聚类案例：鸢尾花数据的聚类

5、  关联规则算法

6、  关联规则案例：超市购物篮分析

性能评价指标（第一天——5）

1、  准确率；精确率、召回率；F1

2、  真阳性率、假阳性率

3、  混淆矩阵

4、  ROC与AUC

5、  案例：绘制ROC并计算AUC、F1

6、  对数损失

7、  Kappa系数

8、  回归：平均绝对误差、平均平方误差

9、  案例：绘制拟合曲线，计算拟合优度

10、              聚类：兰德指数、互信息

11、k折验证

BP神经网络 （第一天——6）

1、  人工神经元及感知机模型

2、  前向神经网络

3、  sigmoid

4、  梯度下降

5、  误差反向传播

6、  BP神经网络案例：可手算的神经网络

支持向量机 （第一天——7）

1、  统计学习问题

2、  支持向量机

3、  核函数

4、  多分类的支持向量机

5、  用于连续值预测的支持向量机

6、  SVM案例： iris的三个分类

第二天：机器学习进阶与深度学习初步

隐马尔科夫模型（第二天——1）

1、  马尔科夫过程

2、  隐马尔科夫模型

3、  三个基本问题（评估、解码、学习）

4、  前向-后向算法

5、  Viterbi算法

6、  Baum-Welch算法

集成学习（第二天——2）

1、  bagging

2、  adaboost

3、  随机森林

4、  GBDT

深度学习初步（第二天——3）

1、  深度学习与神经网络的区别与联系

2、  目标函数

3、  激励函数

4、  学习步长

5、  Adagrad\RMSprop\Adam

6、  避免过适应

用于分类的CNN（第二天——4）

1、  分类典型应用场景（imageNet数据集）

2、  Alexnet（开山之作）

3、  VGG（5层变为5组）

4、  GoogLenet（还在试验各种架构的组合吗？）

5、  Resnet（还可以再“深”下去）

用于目标检测的CNN（第二天——5）

1、  CNN目标检测典型应用场景

2、  RCNN（两个头的网络）

3、  Fast/faster RCNN（又快又好）

第三天：深度学习与强化学习

RNN（第三天——1）

1、  基本RNN

2、  LSTM（三个门）

3、  GRU（减为两个门）

GAN（第三天——2）

1、  基本的生成对抗网络

2、  DCGAN（技巧的胜利）

3、  Wassertein GAN（理论的胜利）

强化学习（第三天——3）

1、  agent的属性

2、  exploration and exploitation

3、  Bellman期望方程

4、  最优策略

5、  策略迭代与价值迭代

6、  Q学习算法

深度强化学习案例：教电脑玩“flappy bird”（第三天——4）

1、  DQN详解

2、  Flappy Bird 游戏

深度强化学习案例：AlphaGo详解（第三天——5）

1、  蒙特卡罗决策树

2、  策略网络

3、  价值网络

4、  Alpha Go的完整体系