知識星球“我想轉行拿高薪！”
——人工智慧已從“概念炒作”真正進入“實際應用”階段
2017年7月20日，國務院釋出《新一代人工智慧發展規劃》，正式開啟國內人工智慧的新篇章。
-
人才缺口高達80萬
隨著人工智慧技術的發展及國家政策的支援，人工智慧人才需求到達井噴期，真正供不應求。
-
從業者年薪30萬起
人工智慧從業者薪資水平居IT行業首位。0年經驗AI工程師年薪30萬起，演演算法工程師等年薪40萬+。
-
進入國企/BAT機會
國家專案、網際網路、金融等100多種熱門行業，新興產業人才需求旺盛，更是打破階層，進軍大公司及國企的好機會。
“什麼是機器學習？我想瞭解！”
——這是機器的時代，但更是“人機協同”的時代
近些天，同傳譯員Bell Wang指責科大訊飛用人工翻譯偽裝成AI同傳的新聞鬧得沸沸揚揚。
由此也引發了一個概念的討論，即“人機耦合”。
人機耦合於現階段有兩種實現方式：
一是人和機器無主次之分的共同完成一項工作任務
其次就是機器輔助人來完成一項工作任務。
而我們認為，未來的發展趨勢一定是人機協同。
就像十幾年前人們不敢相信每個人都要學會操作計算機一樣，我們現在或許也難以相信未來大部分人的工作或要與機器打交道。
在各個領域有所成就的一定不是那些僅僅關註自己所在領域的人，而是那些立於兩個領域邊界的人。
因此，我們所有人如今的著眼點不應再侷限於“哪些或被替代”。
而是我們自身所處的領域與人工智慧會碰撞出怎樣的火花。
因為人工智慧就如過去電的發明、蒸汽機的發明、計算機的發明一樣，自此人們生活的全部無不與其密切關聯，再也分割不開。
和菜頭說：“順著大浪遊泳，怎麼都能遊得更快一點”。
如果你想擁有更多機會，如果你想要高薪，那就現在開始學習人工智慧吧。
雲博士（美國哈佛大學博士後 && 浙江大學博士）領銜的人工智慧博士團隊開發推出了人工智慧機器學習365天特訓營（第二期）（實時直播+直播回放+24小時1對1答疑服務）。（掃描最底部二維碼聯絡助教或直接報名課程）
課程提供什麼服務？
充分考慮到同學們的學習效果和就業情況，冪次學院提供5項課程服務。從發展歷程、概念、基本名詞、術語、評估方法講起，到演演算法模型與實戰演練：
-
名校大牛講師授課：雲博士（美國哈佛大學博士後 && 浙江大學博士）授課；
-
365天的系統學習週期：直播學習，4年內隨時隨地回看直播，線上答疑；
-
優質的1V1答疑服務：全天24小時開放的問答系統與社群交流服務，讓你的每一個問題都能夠得到解答，課程資料隨時下載。
-
頒發培訓結業證書：透過冪次學院的階段測試和畢業測試，並頒發冪次學院人工智慧培訓結業證書。
-
福利優惠：已經報名了第一期課程的學員可免費領取第二期課程！針對想要提前學習的新學員，我們也會在課程購買後提供免費兌換第一期課程的服務。
*此次是冪次學院的第二期機器學習課程，那麼相比較一期，二期有哪些改進呢？
一，我們新加入了兩部分的學習內容：
1.深度學習
2.兩個企業級實戰專案
二，講師陣容上：新加入了美國哈佛大學博士後雲博士。其將協同我們第一期的講師，中科院的張博士，致力於我們學員對課上內容的理解和課後的答疑。
怎麼學？學多久？什麼時候學？
合計365+天，每週兩次（每週二19：00-20：00，20：00-21：00）直播，365天130+小時（理論+6個企業級專案實戰）課程（講師直播答疑，課程7*24小時問答服務，學院社群7*24小時交流，課程資料隨時下載）直播回放4年內隨時隨地回看。
現在報名贈送價值1798元的2門基礎課程
1. 現在報名免費贈送售價899元的 機器學習之Python程式設計基礎與資料分析 課程，課程內容由清華大學python大牛主講，課程內容包括：python基礎，python資料分析，python機器學習基礎與python在機器學習中的實踐案例。
2. 現在報名免費贈送售價899元的 人工智慧數學基礎8天集訓營 課程，由中國科學院計算技術研究所博士團隊主講，課程內容包括：矩陣論基礎，機率與資訊理論，數值計算三部分。
助力您解決人工智慧學習中所需要用到的數學知識、Python程式設計知識。
立即開始體系化學習，所有知識一步到位，不再需要報名其他任何課程！
跟誰學？
雲博士：美國哈佛大學大資料分析方向博士後，浙江大學電腦科學與技術專業博士，曾任華為高階軟體工程師/專案經理
發明專利多項，軟體著作權多項，國際重要期刊論文數十篇，國家及省部級專案多項，橫向專案數十項。
張博士：中國科學院計算技術研究所機器學習方向博士
專註於人機互動、機器學習等領域研究。曾在國內外知名會議期刊發表多篇論文，並榮獲人工智慧領域會議“最佳論文提名獎”，目前擁有國家發明專利2項、軟體著作權1項。
李金老師：清華大學機器學習方向本碩雙清華畢業生，阿裡巴巴機器學習方向演演算法工程師
研究方向為：推薦系統，計算機視覺，自然語言處理，深度學習等，在TNNLS，PR等雜誌上發表過多篇論文，著有《自學Python—程式設計基礎科學計算及資料分析》一書，Python筆記3K+Star，知乎python及機器學習板塊12K+ zan，冪次學院簽約講師。
學什麼？（直播+直播回放+答疑課程大綱）
第一部分 基礎篇
第1章 初識機器學習（直播課程+直播回放+答疑）
1.1 引言
1.2 基本術語
1.3 假設空間
1.4 歸納偏好
1.5 發展歷程
1.6 應用現狀
第2章 模型評估與選擇（直播課程+直播回放+答疑）
2.1 經驗誤差與過擬合
2.2 評估方法
2.2.1 留出法
2.2.2 交叉驗證法
2.2.3 自助法
2.2.4 調參與最終模型
2.3 效能度量
2.3.1 錯誤率與精度
2.3.2 查準率、查全率與F1
2.3.3 ROC與AUC
2.3.4 代價敏感錯誤率與代價曲線
2.4 比較檢驗
2.4.1 假設檢驗
2.4.2 交叉驗證t檢驗
2.4.3 McNemar檢驗
2.4.4 Friedman檢驗與後續檢驗
2.5 偏差與方差
第3章 線性模型（直播課程+直播回放+答疑）
3.1 基本形式
3.2 線性回歸
3.3 對數機率回歸
3.4 線性判別分析
3.5 多分類學習
3.6 類別不平衡問題
第4章 決策樹（直播課程+直播回放+答疑）
4.1 基本流程
4.2 劃分選擇
4.2.1 資訊增益
4.2.2 增益率
4.2.3 基尼指數
4.3 剪枝處理
4.3.1 預剪枝
4.3.2 後剪枝
4.4 連續與缺失值
4.4.1 連續值處理
4.4.2 缺失值處理
4.5 多變數決策樹
第5章 神經網路（直播課程+直播回放+答疑）
5.1 神經元模型
5.2 感知機與多層網路
5.3 誤差逆傳播演演算法
5.4 全域性最小與區域性極小
5.5 其他常見神經網路
5.5.1 RBF網路
5.5.2 ART網路
5.5.3 SOM網路
5.5.4 級聯相關網路
5.5.5 Elman網路
5.5.6 Boltzmann機
第6章 支援向量機（直播課程+直播回放+答疑）
6.1 間隔與支援向量
6.2 對偶問題
6.3 核函式
6.4 軟間隔與正則化
6.5 支援向量回歸
6.6 核方法
第7章 深度學習（直播課程+直播回放+答疑）
7.1 摺積神經網路CNN基本原理
7.2 開源深度學習框架與常見摺積網路模型
7.3 迴圈神經網路RNN
7.4 生成模型與對抗生成網路
7.5 Keras基礎（一）
7.6 Keras基礎（二）
7.7 Keras基礎（三）
7.8 Keras基礎（四）
7.9 Keras基礎（五）
7.10 Keras基礎（六）
7.11 Keras（七） – 影象識別例子分析
7.12 Keras（八） – 時序模型例子分析
7.13 Keras（九） – 自然語言處理例子分析
7.14 Keras（十） – 對抗網路與生成模型例子分析
7.15 Tensorflow，TFSlim，Tensorlayer基礎（一）
7.16 Tensorflow，TFSlim，Tensorlayer基礎（二）
7.17 Tensorflow，TFSlim，Tensorlayer基礎（三）
7.18 Tensorflow，TFSlim，Tensorlayer基礎（四）
7.19 Tensorflow，TFSlim，Tensorlayer基礎（五）
7.20 Tensorflow，TFSlim，Tensorlayer（六） – 影象識別例子分析
7.21 Tensorflow，TFSlim，Tensorlayer（六） – 時序模型例子分析
7.22 Tensorflow，TFSlim，Tensorlayer（六） – 自然語言處理例子分析
7.23 Tensorflow，TFSlim，Tensorlayer（六） – 影象分割例子分析
7.24 Tensorflow，TFSlim，Tensorlayer（六） – 物件檢測例子分析
第8章 貝葉斯分類器（直播課程+直播回放+答疑）
8.1 貝葉斯決策論
8.2 極大似然估計
8.3 樸素貝葉斯分類器
8.4 半樸素貝葉斯分類器
8.5 貝葉斯網
8.5.1 結構
8.5.2 學習
8.5.3 推斷
8.6 EM演演算法
第9章 整合學習（直播課程+直播回放+答疑）
9.1 個體與整合
9.2 Boosting
9.3 Bagging與隨機森林
9.3.1 Bagging
9.3.2 隨機森林
9.4 結合策略
9.4.1 平均法
9.4.2 投票法
9.4.3 學習法
9.5 多樣性
9.5.1 誤差–分歧分解
9.5.2 多樣性度量
9.5.3 多樣性增強
第10章 聚類（直播課程+直播回放+答疑）
10.1 聚類任務
10.2 效能度量
10.3 距離計算
10.4 原型聚類
10.4.1 k均值演演算法
10.4.2 學習向量量化
10.4.3 高斯混合聚類
10.5 密度聚類
10.6 層次聚類
第11章 降維與度量學習（直播課程+直播回放+答疑）
11.1 k近鄰學習
11.2 低維嵌入
11.3 主成分分析
11.4 核化線性降維
11.5 流形學習
11.5.1 等度量對映
11.5.2 區域性線性嵌入
11.6 度量學習
第二部分 進階篇
第12章 特徵選擇與稀疏學習（直播課程+直播回放+答疑）
12.1 子集搜尋與評價
12.2 過濾式選擇
12.3 包裹式選擇
12.4 嵌入式選擇與L_1正則化
12.5 稀疏表示與字典學習
12.6 壓縮感知
第13章 計算學習理論（直播課程+直播回放+答疑）
13.1 基礎知識
13.2 PAC學習
13.3 有限假設空間
13.3.1 可分情形
13.3.2 不可分情形
13.4 VC維
13.5 Rademacher複雜度
13.6 穩定性
第14章 半監督學習（直播課程+直播回放+答疑）
14.1 未標記樣本
14.2 生成式方法
14.3 半監督SVM
14.4 圖半監督學習
14.5 基於分歧的方法
14.6 半監督聚類
第15章 機率圖模型（直播課程+直播回放+答疑）
15.1 隱馬爾可夫模型
15.2 馬爾可夫隨機場
15.3 條件隨機場
15.4 學習與推斷
15.4.1 變數消去
15.4.2 信念傳播
15.5 近似推斷
15.5.1 MCMC取樣
15.5.2 變分推斷
15.6 話題模型
第16章 規則學習（直播課程+直播回放+答疑）
16.1 基本概念
16.2 序貫改寫
16.3 剪枝最佳化
16.4 一階規則學習
16.5 歸納邏輯程式設計
16.5.1 最小一般泛化
16.5.2 逆歸結
第17章 強化學習（直播課程+直播回放+答疑）
17.1 任務與獎賞
17.2 K-搖臂賭博機
17.2.1 探索與利用
17.2.2 ε-貪心
17.2.3 Softmax
17.3 有模型學習
17.3.1 策略評估
17.3.2 策略改進
17.3.3 策略迭代與值迭代
17.4 免模型學習
17.4.1 蒙特卡羅強化學習
17.4.2 時序差分學習
17.5 值函式近似
17.6 模仿學習
17.6.1 直接模仿學習
17.6.2 逆強化學習
第18章 增量學習（直播課程+直播回放+答疑）
18.1 被動攻擊學習
18.1.1 梯度下降量的抑制
18.1.2 被動攻擊分類
18.1.3 被動攻擊回歸
18.2 適應正則化學習
18.2.1 引數分佈的學習
18.2.2 適應正則化分類
18.2.3 適應正則化回歸
18.3 增量隨機森林
第19章 遷移學習（直播課程+直播回放+答疑）
19.1 遷移學習簡介
19.1.1 什麼是遷移學習
19.1.2 遷移學習VS傳統機器學習
19.1.3 應用領域
19.2 遷移學習的分類方法
19.2.1 按遷移情境
19.2.2 按特徵空間
19.2.3 按遷移方法
19.3 代表性研究成果
19.2.1 域適配問題
19.2.2 多源遷移學習
19.2.3 深度遷移學習
第20章 主動學習（直播課程+直播回放+答疑）
20.1 主動學習簡介
20.2 主動學習思想
20.3 主動學習VS半監督學習
20.4 主動學習VS Self-Learning
第21章 多工學習（直播課程+直播回放+答疑）
21.1 使用最小二乘回歸的多工學習
21.2 使用最小二乘機率分類器的多工學習
21.3 多次維輸出函式的學習
第三部分 實戰篇
第22章 機器學習應用場景介紹（直播課程+直播回放+答疑）
22.1 機器學習經典應用場景
22.2 頭腦風暴：挖掘身邊的應用場景
第23章 資料預處理（直播課程+直播回放+答疑）
23.1 資料降噪
23.2 資料分割
第24章 特徵提取（直播課程+直播回放+答疑）
24.1 時域特徵
24.2 頻域特徵
24.3 自動特徵提取
第25章 機器學習方法應用（直播課程+直播回放+答疑）
25.1 應用機器學習方法之前的處理
25.2 使用機器學習分類
25.3 機器學習調參
25.4 分類結果展示
第26章 – 機器學習企業級專案實戰（直播課程+直播回放+答疑）
26.1 O2O優惠券使用預測
26.2 鮑魚年齡預測
26.3 機器惡意流量識別
26.4 根據使用者軌跡進行精準營銷
26.5 根據搜狗輸入進行使用者畫像
26.6 美國債務違約預測
如何報名？
以上課程（實時直播+回放+答疑）打包特惠價：2999元
長按二維碼 – 諮詢助教微信
長按二維碼 – 進入課程詳情
