1、课程性质 计算机类专业课程。本课程旨在让大家认识什么是人工智能，掌握人工智能中的一些经典的机器学习算法，熟悉最近几年兴起的深度学习，并能够在tensorflow平台上实现图像识别任务。 2、适合人群 计算机类专业：软件技术专业、大数据技术与应用专业、人工智能技术服务专业、移动应用开发专业、计算机应用技术专业、计算机信息管理专业、计算机网络技术专业、数字媒体应用技术专业。 3、课程开发工具 python3.7 tensorflow1.14.0。

• 第1章 人工智能概述
  • 1.1 什么是人工智能
  • 1.2 人工智能分类
  • 1.3 人工智能发展的三次浪潮
  • 1.4 人工智能的现状与发展
• 第2章 机器学习
  • 2.1 机器学习概述
  • 2.2.1 监督学习介绍
  • 2.2.2【案例1】k近邻算法python实现的关键知识
  • 2.2.3【案例1】k近邻算法python实现
  • 2.2.4【案例2~3】鸢尾花分类
  • 2.2.5【案例4】简单线性回归
  • 2.3.1 K均值聚类算法介绍
  • 2.3.2【案例5】k均值聚类案例
  • 2.3.3【案例6】k均值失败案例
  • 2.4 机器学习的一般流程
• 第3章 阶段项目1：波士顿房价预测
  • 3.1 欠拟合与过拟合
  • 3.2.1 线性回归与正则化
  • 3.2.2 回归决策树
  • 3.3 回归模型评价指标
  • 3.4 波士顿房价预测
• 第4章 深度学习数学基础
  • 4.1 向量基础
  • 4.2 矩阵基础
  • 4.3 导数基础
  • 4.4 梯度下降
• 第5章 感知机
  • 5.1 感知机概述
  • 5.2 感知机的训练
  • 5.3 感知机的缺陷与多层感知机
• 第6章 深度神经网络结构
  • 6.1 神经网络发展历程与一般结构
  • 6.2 激活函数
  • 6.3 二分类与多分类
  • 6.4 损失函数
• 第7章 阶段项目2：使用神经网络进行图像分类
  • 7.1 深度学习框架与数据集介绍
  • 7.2 预处理数据
  • 7.3 构建模型
  • 7.4 训练模型
  • 7.5 评估与预测
• 第8章 改进神经网络的学习方法
  • 8.1 识别MNIST手写数据的过拟合
  • 8.2 正则化
• 第9章 阶段项目3：使用神经网络预测泰坦尼克号上旅客的生存概率
  • 9.1 泰坦尼克号旅客数据集及特征选择
  • 9.2.1 数据值与数据格式处理
  • 9.2.2 数据标准化与数据集划分
  • 9.3 构建与训练模型
  • 9.4 评估与预测
• 第10章 卷积神经网络
  • 10.1 卷积神经网络的概念
  • 10.2.1 卷积
  • 10.2.2 填充和卷积步长
  • 10.2.3 彩色图像的卷积
  • 10.2.4 池化
  • 10.3 CNN实现图像识别的任务
  • 10.4 VGGNet
• 第11章 课程项目：使用卷积神经网络提高图像分类精度
  • 11.1 层的规划
  • 11.2 卷积、池化与全连接输出
  • 11.3 训练、评估与预测
• 考试