特训营·第 1 计划·(阶段一)

标准库，扩展库，运算符，表达式，字符串、转义字符，字符串的输出和输入，访问字符串中的值，字符串内建函数；列表，包括列表访问，列表运算，深拷贝/浅拷贝，列表常用的方法；字典，集合，条件表达式，选择结构，包括while循环，break语句，for in循环，range函数，continue语句；函数参数,变量作用域,lambda,生成器；类的定义,使用,数据成员,成员方法,特殊方法,运算符重载；numpy，包括NumPy 数学函数，NumPy 统计函数，NumPy 矩阵库(Matrix) ，NumPy 排序、条件刷选函数，NumPy 线性代数，数组运算，矩阵运算，scipy，pandas，如Pandas数据结构，Pandas数据帧（DataFrame）,Pandas面板，包括Pandas基本应用，Pandas描述性统计，Pandas函数应用，Pandas重建索引，Pandas迭代，Pandas统计函数；

特训营·第 2 计划·(阶段二)

Pandas 读取数据， scikit-learn 训练与测试模型；评估模型性能的指标；交叉验证(把给定的数据进行切分，将切分的数据集分为“训练集”和“验证集”（假设其中4份为train，1份为validation），在此基础上循环选取进行训练和验证。曲线判断过欠拟合，用网络搜索训练模型；测试 NumPy 、 pandas 技能的掌握；测试对模型评估与验证的理解；

特训营·第 3 计划·(阶段三)

分类与回归的区别，学习使用线性回归来做预测；Iris经典爱丽丝，爱丽丝进化与文本矢量化，AI操作流程，数据切割函数，Iris爱丽丝分解，线性回归算法，逻辑回归算法；朴素贝叶斯原理，朴素贝叶斯算法，KNN近邻算法，随机森林算法，构建垃圾邮件分类器；决策树算法，GBDT迭代决策树算法，SVM向量机，SVM-cross向量机交叉算方法，神经网络算法，MLP神经网络算法，MLP_reg神经网络回归算法，探索泰坦尼克号乘客存活模型；支持向量机以线性分离数据；非线性可分的数据上来训练 SVM；boosting 提升传统方法；Adaboost，CCPP数据集，数据集切割，读取CCPP数据集，机器学习统一接口，批量调用机器学习算法，一体化调用，存储算法模型，批量存储算法模型，批量加载算法模型，机器组合算法；监督学习测试题；

特训营·第 4 计划·(阶段四)

聚类算法，k-means 对数据聚类；k-means，K均值聚类算法是先随机选取K个对象作为初始的聚类中心。计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心，对电影评分聚类；单连接聚类法、层次聚类法，通过某种相似性测度计算节点之间的相似性；DBSCAN，Density-BasedSpatial Clustering of Applications with Nois是一个比较有代表性的基于密度的聚类算法；高斯混合模型、高斯概率密度函数、正态分布曲线及

相关示例；

通过案例学习特征缩放；降维，PCA 的原理(PCA降维原理是基于训练数据集X的协方差矩阵C的特征向量组成的K阶矩阵U，XU得到X的k阶降维矩阵Z。主要原理用的是协方差矩阵C是一个实对角矩阵的性质和使用场景；特征脸方法、 SVM 脸部识别，使用预处理来提取更有意义的特征。这里使用主成份分析来提取150个基本元素，然后将其提供给支持向量机分类器，将这个

预处理和分类器打包成管道；随机投影(随机投影的理论依据是J-L Lemma，公式的核心思想总结一句话就是：在高维欧氏空间里的点集映射到低维空间里相对距离得到某误差范围内的保持，独立成分分析，Lab学习应用这些方法；非监督学习测试题；

特训营·第 5 计划·(阶段五)

深度学习，这是机器学习中一种基于对数据进行表征学习的方法。观测值（例如一幅图像）可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等，而使用某些特定的表情识别，包括softmax、one-hotencoding和cross entropy感知器，与梯度下降；神经网络结构，通过 backpropogation 来训练网络优化神经网络，如 regularization 与 dropout使用 Keras 分析 IMDB 电影数据；卷积神经网络原理，卷积神经网络，包括Convo-lutional，Neural Networks, CNN，是一类包含卷积计算且具有深度结构的前馈神经网络，Feed-forward、Neural Netwo，是深度学习（deeplearning）的代表算法之一、图像识别、keras、

迁移学习；深度学习在癌症（如皮肤癌）检测，将近13万张可用的皮肤病变图像，覆盖了2000多种不同的疾病类型。他们使用这一数据集创建了图像库，并将其作为原始像素提供给算法，每个像素都带有标签，描述了相关疾病的附加数据。研究人员训练算法总结出图像里的模式，也即发现疾病经由组织传播在外观上所遵循的规则；

特训营·第 6 计划·(阶段六)

强化学习(reinforcement learning)，又称再励学习、评价学习，是一种重要的机器学习方法，在智能控制机器人及分析预测等领域有许多应用，与 OpenAIGym 的基础；马尔科夫决策过程策略，基于马尔可夫过程理论的随机动态系统的优决策过程；马尔可夫决策过程是序贯决策的主要研究领域，它是马尔可夫过程与确定性的动态规划相结合的产物，又称马尔科夫型随机动态规划，属于运筹学中的支，推到Bellman方程；迭代策略评估、策略改进、策略迭代和值迭代；蒙特卡洛预测，也叫蒙特卡罗（Monte Carlo）方法，又称随机抽样或统计试验方法，控制方案、greedy算法、epsilon-greedy算法；Sarsa、Q-Learning 、预期 Sarsa；解决 OpenAI Gym(OpenAI Gym 是一个用于开发和比较RL 算法的工具包，与其他的数值计算库兼容，如tensorflow 或者theano 库。现在主要支持的是python 语言，以后将支持其他语言）的Taxi-v2任务；传统算法适用于连续空间；深度神经网络将强化学习方法扩展到复杂问题；基于策略的方法优化优策略；基于价值、基于策略的方法，解决具有挑战性的强化

学习问题；强化学习相关的测试题；