人工智能学习路线_解释人工智能的“训练”过程

一、容器

1）列表:list
2）元组:tuple
3）字典: dict
4）数组: Array

5）切片
6）列表推导式
7）浅拷贝和深拷贝

二、函数

1）lambda表达式
2）递归函数及尾递归优化

3）常用内置函数/高阶函数 
4）项目案例：约瑟夫环问题

三、常用库

1）时间库
2）并发库 
3）科学计算库

4）Matplotlib可视化绘图库 
5）锁和线程
6）多线程编程

一、机器学习

1）机器学习概述

二、监督学习

1）逻辑回归 
2）softmax分类 
3）条件随机场 
4）支持向量机svm

5）决策树 
6）随机森林 
7）GBDT 
8）集成学习

三、非监督学习

1）高斯混合模型 
2）聚类 
3）PCA

4）密度估计

5）LSI 
6）LDA 
7）双聚类

四、数据处理与模型调优

1）特征提取
2）数据预处理
3）数据降维

4）模型参数调优
5）模型持久化
6）模型可视化

项目一：百度音乐系统文件分类

音乐推荐系统就是利用音乐网站上的音乐信息，向用户提供音乐信息或者建议，帮助用户决定应该听什么歌曲。而个人化推荐则是基于音乐信息及用户的兴趣特征、听歌历史行为，向用户推荐用户可能会感兴趣的音乐或者歌手。推荐算法主要分为以下几种：基于内容的推荐、协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐等；推荐系统常用于各个互联网行业中，比如音乐、电商、旅游、金融等。

项目二：千万级P2P金融系统反欺诈模型训练

目前比较火的互联网金融领域，实质是小额信贷，小额信贷风险管理，本质上是事前对风险的主动把控，尽可能预测和防范可能出现的风险。本项目应用GBDT、Randomforest等机器学习算法做信贷反欺诈模型，通过数据挖掘技术，机器学习模型对用户进行模型化综合度量，确定一个合理的风险范围，使风险和盈利达到一个平衡的状态。