课程名称    内容    

阶段一、人工智能基础 — 高等数学必知必会    

1.数据分析    "a. 常数e

b. 导数

c. 梯度

d. Taylor

e. gini系数

f. 信息熵与组合数

g. 梯度下降

h. 牛顿法"

    2.概率论    "a. 微积分与逼近论

b. 极限、微分、积分基本概念

c. 利用逼近的思想理解微分，利用积分的方式理解概率

d. 概率论基础

e. 古典模型

f. 常见概率分布

g. 大数定理和中心极限定理

h. 协方差(矩阵)和相关系数

i. 最大似然估计和最大后验估计"

    3.线性代数及矩阵    "a. 线性空间及线性变换

b. 矩阵的基本概念

c. 状态转移矩阵

d. 特征向量

e. 矩阵的相关乘法

f. 矩阵的QR分解

g. 对称矩阵、正交矩阵、正定矩阵

h. 矩阵的SVD分解

i. 矩阵的求导

j. 矩阵映射/投影"

    4. 凸优化    "a. 凸优化基本概念

b. 凸集

c. 凸函数

d. 凸优化问题标准形式

e. 凸优化之Lagerange对偶化

f. 凸优化之牛顿法、梯度下降法求解"

阶段二、人工智能提升 — Python高级应用    1. 容器    "a. 列表:list

b. 元组:tuple

c. 字典: dict

d. 数组: Array

e. 切片

f. 列表推导式

g. 浅拷贝和深拷贝"

    2. 函数    "a. lambda表达式

b. 递归函数及尾递归优化

c. 常用内置函数/高阶函数

d. 项目案例：约瑟夫环问题"

    3. 常用库    "a. 时间库

b. 并发库

c. 科学计算库

d. Matplotlib可视化绘图库

e. 锁和线程

f. 多线程编程"

阶段三、人工智能提升 — Python项目    "项目一：职位画像

"       使用python爬虫scrapy框架，对于智联招聘职位进行抓取，处理下一页机制，抓取职位名称、公司名称、公司地点等职位数据，并将数据通过Pipeline管道对数据进行数据去重，数据清洗，数据转换，数据存储。数据存储在Mysql数据库中，并将数据数值化，形成多表关联，后期使用Echarts可视化前端图表，完成数据炫酷展示。

    项目二：豆瓣TOP250抓取       抓取豆瓣电影TOP250，得到电影名、电影介绍、评分、评论人数、经典的话等信息，后期为了防止爬虫被豆瓣Ban掉，增加了一些随机延迟、伪装浏览器请求头，浏览器代理等，最终数据存储在Mongodb。

阶段四、人工智能实用 — 机器学习算法    1.机器学习概述    机器学习概述

    2. 特征工程    "a. 特征抽取

b. 特征转换

c. 特征选择

d. 降维

f. NLP特征工程"

    3.回归算法    "a. Linear Regression算法

b. Lasso Regression算法

c. Ridge Regression/Classifier算法

d. Elastic Net算法

e. Logistic算法

f. K-邻近算法(KNN)"

    4.决策树、随机森林和提升算法    "a. 决策树算法: ID3、C4.5、CART

b. 决策树优化

c. Bagging和Boosting算法

d. 随机森林

e. Adaboost算法

f. GBDT算法

g. XGBoost

h. LightGBM"

    5.SVM    "a. 线性可分支持向量机

b. 核函数理解

c. SMO算法

d. SVM回归SVR和分类SVC"

    6.聚类算法    "a. 各种相似度度量介绍及相关关系

b. K-means算法

c. K-means算法优缺点及变种算法

d. 密度聚类

e. 层级聚类

f. 谱聚类"

    7.EM算法    "a. 最大似然估计

b. EM算法原理讲解

c. 多元高斯分布的EM实现

d. 主题模型pLSA及EM算法"

    8.贝叶斯算法    "a. 朴素贝叶斯

b. 条件概率表达形式

c. 贝叶斯网络的表达形式"

    9.隐马尔科夫模型    "a. 概率计算问题

b. 前向/后向算法

c. HMM的参数学习

d. 高斯混合模型HMM"

    10.LDA主题模型    "a. LDA主题模型概述

b. 共轭先验分布

c. Dirichlet分布

d. Laplace平滑

e. Gibbs采样详解

f. LDA与word2Vec效果比较"

阶段五、人工智能实用 — 机器学习项目    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。

阶段六、人工智能提升 — 深度学习    1. Tensorflow基本应用    "a. Tensorflow安装

b. Tensorflow基本概念

c. Tensorflow基本函数

d. Tensorflow执行流程

e. Tensorflow之上的工具库:Keras

f. 项目案例：基于Tensorflow实现回归算法"

    2. 深度学习概述        深度学习是实现机器学习的技术，同时深度学习也带来了机器学习的许多实际应用，拓展了AI的使用领域，本阶段主要从TensorFlow、深度学习概述、感知器神经网络、BP神经网络、RBF径向基神经网络、CNN卷积神经网络、RNN循环神经网、等方面讲解深度学习相关算法以及深度学习框架的使用。

    3. 感知器神经网络    

    4. BP神经网络    

    5. RBF径向基神经网络    

    6. 卷积神经网络(CNN)    

    7. 循环神经网络(RNN)    

    8. 生成对抗网络(GAN、WGAN、EBGAN、DCGAN等)    

阶段七、人工智能提升 — 推荐算法及数据挖掘    "1.推荐算法概述

2.推荐算法算法理论介绍(协同过滤、基于内存的推荐、基于知识的推荐等)

3.数据挖掘相关算法(关联规则、Aprior算法)

4.项目案例：百度云音乐推荐、隐因子模型推荐系统开发"        随着现代电商的深入人心，基于用户行为(浏览、收藏、购物)分析尤为重要。而数据挖掘就是识别出巨量数据中有效的、新颖的、潜在有用的、最终可理解的模式的非平凡过程。本阶段主要从基于内容的推荐、协同过滤、SVD、基于知识的推荐以及混合推荐算法等讲解，并结合音乐推荐、隐因子模型推荐等项目让大家有更深入的学习了解。

阶段八、人工智能终极实战 — 项目应用    项目一：公安系统人脸识别、图像识别       使用深度学习框架从零开始完成人脸检测的核心技术图像类别识别的操作，从数据预处理开始一步步构建网络模型并展开分析与评估，方便大家快速动手进行项目实践！识别上千种人靓，返回层次化结构的每个人的标签。

    项目二：公安系统图像检索       本项目基于卷积神经网在训练过程中学习出对应的『二值检索向量』，对全部图先做了一个分桶操作，每次检索的时候只取本桶和临近桶的图片作比对，而不是在全域做比对，使用这样的方式提高检索速度，使用Tensorflow框架建立基于ImageNet的卷积神经网络，并完成模型训练以及验证。

    项目三：今日头条CTR广告点击量预估       点击率预估是广告技术的核心算法之一，它是很多广告算法工程师喜爱的战场。广告的价值就在于宣传效果,点击率是其中最直接的考核方式之一,点击率越大,证明广告的潜在客户越多,价值就越大,因此才会出现了刷点击率的工具和技术。通过对于点击量的评估，完成对于潜在用户的价值挖掘。

    项目四：序列分析系统       时间序列分析(Time Series Analysis)是一种动态数据处理的统计方法，主要基于随机过程理论和数理统计方法，研究随机数据序列所遵从的统计规律以便用于解决实际问题。主要包括自相关分析等一般的统计分析方法，构建模型从而进行业务推断。经典的统计分析是假定数据序列具有独立性，而时间序列分析则侧重于研究数据样本序列之间的依赖关系。时间序列预测一般反应了三种实际变化规律：趋势变化、周期性变化和随机性变化。时间序列预测常应用于国民经济宏观控制、企业经营管理、市场潜力量预测、天气预报、水文预报等方面，是应用于金融行业的一种核心算法之一。

    项目五：京东聊天机器人/智能客服    "   聊天机器人/智能客服是一个用来模拟人类对话或者聊天的一个系统，利用深度学习和机器学习等NLP相关算法构建出问题和答案之间的匹配模型，然后可以将其应用到客服等需要在线服务的行业领域中，聊天机器人可以降低公司客服成本，还能够提高客户的体验友好性。

在一个完整的聊天机器人实现过程中，主要包含了一些核心技术，包括但不限于：爬虫技术、机器学习算法、深度学习算法、NLP领域相关算法。通过实现一个聊天机器人可以帮助我们队AI整体知识的一个掌握。"

    项目六：机器人写诗歌       机器人写诗歌/小说是一种基于NLP自然语言相关技术的一种应用，在实现过程中可以基于机器学习相关算法或者深度学习相关算法来进行小说/诗歌构建过程。人工智能的一个终极目标就是让机器人能够像人类一样理解文字，并运用文字进行创作，而这个目标大致上主要分为两个部分，也就是自然语言理解和自然语言生成，其中现阶段的主要自然语言生成的运用，自然语言生成主要有两种不同的方式，分别为基于规则和基于统计，基于规则是指首先了解词性及语法等规则，再依据这样的规则写出文章；而基于统计的本质是根据先前的字句和统计的结果，进而判断下一个子的生成，例如马尔科夫模型就是一种常用的基于统计的方法。

    项目七：机器翻译系统       机器翻译又称自动翻译，是指利用计算机将一种自然语言转换为另外一种自然语言的过程，机器翻译是人工智能的终极目标之一，具有很高的研究价值，同时机器翻译也具有比较重要的实用价值，机器翻译技术在促进政治、经济、文化交流等方面起到了越来越重要的作用；机器翻译主要分为以下三个过程：原文分析、原文译文转换和译文生成；机器翻译的方式有很多种，但是随着深度学习研究取得比较大的进展，基于人工网络的机器翻译也逐渐兴起，特别是基于长短时记忆(LSTM)的循环神经网络(RDD)的应用，为机器翻译添了一把火。

    项目八：垃圾邮件过滤系统       邮件主要可以分为有效邮件和垃圾邮件两大类，有效邮件指的邮件接收者有意义的邮件，而垃圾邮件转指那些没有任何意义的邮件，其内容主要包含赚钱信息、成人广告、商业或者个人网站广告、电子杂志等，其中垃圾邮件又可以发为良性垃圾邮件和恶性垃圾邮件，良性垃圾邮件指的就是对收件人影响不大的信息邮件，而恶性垃圾邮件指具有破坏性的电子邮件，比如包含病毒、木马等恶意程序的邮件。垃圾邮件过滤主要使用使用机器学习、深度学习等相关算法，比如贝叶斯算法、CNN等，识别出所接收到的邮件中那些是垃圾邮件。

    项目九：手工数字识别       人认知世界的开始就是从认识数字开始的，深度学习也一样，数字识别是深度学习的一个很好的切入口，是一个非常经典的原型问题，通过对手写数字识别功能的实现，可以帮助我们后续对神经网络的理解和应用。选取手写数字识别的主要原因是手写数字具有一定的挑战性，要求对编程能力及神经网络思维能力有一定的要求，但同时手写数字问题的复杂度不高，不需要大量的运算，而且手写数字也可以作为其它技术的一个基础，所以以手写数字识别为基础，贯穿始终，从而理解深度学习相关的应用知识。

    项目十：癌症筛选检测       技术可以改变癌症患者的命运吗，对于患有乳腺癌患者来说，复发还是痊愈影响这患者的生命，那么怎么来预测患者的患病结果呢，机器学习算法可以帮助我们解决这一难题，本项目应用机器学习logistic回归模型，来预测乳腺癌患者复发还是正常，有效的预测出医学难题。

    项目十一：葡萄酒质量检测系统       随着信息科技的快速发展,计算机中的经典算法在葡萄酒产业中得到了广泛的研究与应用。其中机器学习算法的特点是运用了人工智能技术,在大量的样本集训练和学习后可以自动地找出运算所需要的参数和模型。

    项目十二：淘宝网购物篮分析推荐算法       购物篮分析(Market Basket Analysis)即非常有名的啤酒尿布故事的一个反应，是通过对购物篮中的商品信息进行分析研究，得出顾客的购买行为，主要目的是找出什么样的物品会经常出现在一起，也就是那些商品之间是有很大的关联性的。通过购物篮分析挖掘出来的信息可以用于指导交叉销售、追加销售、商品促销、顾客忠诚度管理、库存管理和折扣计划等业务；购物篮分析的最常用应用场景是电商行业，但除此之外，该算法还被应用于信用卡商城、电信与金融服务业、保险业以及医疗行业等。

    项目十三：手工实现梯度下降回归算法       梯度下降法（英语：Gradient descent）是一个一阶最优化算法，通常也称为最速下降法。 要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度（或者是近似梯度）的反方向的规定步长距离点进行迭代搜索。如果相反地向梯度正方向迭代进行搜索，则会接近函数的局部极大值点；这个过程则被称为梯度上升法。

    项目十四：基于TensorFlow实现回归算法       回归算法是业界比较常用的一种机器学习算法，通过应用于各种不同的业务场景，是一种成熟而稳定的算法种类；TensorFlow是一种常用于深度学习相关领域的算法工具；随着深度学习热度的高涨，TensorFlow的使用也会越来越多，从而使用TensorFlow来实现一个不存在的算法，会加深对TensorFlow的理解和使用；基于TensorFlow的回归算法的实现有助于后续的TensorFlow框架的理解和应用，并可以促进深度学习相关知识的掌握。

阶段九、人工智能实战 — 分布式搜索引擎开发    "1.课程介绍

2.初识ElasticSearch

3.ES安装部署

4.插件安装Head

5.插件安装ik

6.ES中文搜索演示

7.Marvel和Kibana安装

8.ES一些相关概念

9.ES请求格式和返回

10.ES索引操作

11.ES的文档新增和修改

12.ES查询演示

13.ES查询补充和删除

14.多索引和多类别

15.分页和routing介绍

16.ES工作流程

17.Java客户端和创建连接

18.Index操作

19.数据的增、删、改

20.数据的查询

21.spring环境集成

22.spring篇操作index

23.Spring操作CRUD01

24.Spring操作CRUD02

25.常见索引操作

26.索引的Mapping操作

27.mapping引入01

28.mapping引入02

29.mapping之properties根对象

30.mapping数据类型之string类型

31.mapping其他基本数据类型

32.mapping数据类型之Object类型

33.mapping元数据和动态映射

34.mapping动态模板

35.倒排索引概念

36.ES的动态索引原理

37.ES动态索引的问题和解决原理

38.初识DSL

39.DSL高级特性

40.结构化查询之基本查询

41.结构化查询之复合查询

42.全文检索第一讲

43.全文检索第二讲

44.嵌套类型查询

45.嵌套类型查询

46.DSL之Java操作

47.全文检索之Java操作

48.聚合查询之Java操作

49.DSL之Spring操作

50.高级检索之Spring操作

51.ES项目引用和热搜词功能实现

52.实现思路介绍以及简要实现

"    "   联网+、大数据、网络爬虫、搜索引擎等等这些概念，如今可谓炙手可热，本课程就是以公司项目经验为基础，为大家带来市面上比较流行的分布式搜索引擎之一的ElasicSearch，深入浅出的带领大家了解并掌握该技术的综合应用，从而为大家添加一份竞争的资本。

   本课程旨在带领大家进入搜索引擎领域，从无到有，深入浅出的讲解了什么是搜索引擎，搜索引擎的作用以及ElasticSearch在实际工作中的作用等。"

阶段十、人工智能实战 — 企业项目实战    1.基于Python数据分析与机器学习案例实战教程    "1.Python数据分析与机器学习实战课程简介

2.Python快速入门

3.Python科学计算库Numpy

4.Python数据分析处理库Pandas

5.Python可视化库Matplotlib

6.回归算法

7.模型评估

8.K近邻算法

9.决策树与随机森林算法

10.支持向量机

11.贝叶斯算法

12.神经网络

13.Adaboost算法

14.SVD与推荐

15.聚类算法

16.案例实战：使用Python库分析处理Kobe Bryan职业生涯数据

17.案例实战：信用卡欺诈行为检测

18.案例实战：泰坦尼克号获救预测

19.案例实战：鸢尾花数据集分析

20.案例实战：级联结构的机器学习模型

21.案例实战：员工离职预测

22.案例实战：使用神经网络进行手写字体识别

23.案例实战：主成分分析

24.案例实战：基于NLP的股价预测

25.案例实战：借贷公司数据分析"

    2.人工智能与深度学习实战    "1.深度学习概述与挑战

2.图像分类基本原理门

3.深度学习必备基础知识点

4.神经网络反向传播原理

5.神经网络整体架构

6.神经网络案例实战图像分类任务

7.卷积神经网络基本原理

8.卷积参数详解

9.卷积神经网络案例实战

10.经典网络架构分析

11.分类与回归任务

12.三代物体检测算法分析

13.数据增强策略

14.TransferLearning

15.网络架构设计

16.深度学习框架Caffe网络结构配置

17.Caffe

18.深度学习项目实战人脸检测

19.人脸正负样本数据源制作

20.人脸检测网络架构配置习模型

21.人脸检测代码实战

22.人脸关键点定位项目实战

23.人脸关键点定位网络模型

24.人脸关键点定位构建级联网络

25.人脸关键点定位测试效果与分析

26.Tensorflow框架实战

27.Tensorflow构建回归模型

28.Tensorflow构建神经网络模型

29.Tensorflow深度学习模型

30.Tensorflow打造RNN网络模型

31.Tensorflow项目实战验证识别

32.项目实战图像风格转换

33.QLearning算法原理

34.DQN网络架构

35.项目实战DQN网络让AI自己玩游戏

36.项目实战对抗生成网络等"

阶段十一、IT高级开发者职场生存规则 — 职业素养    "1.团队协作

2.心态管理

3.目标管理

4.时间管理

5.学习管理

6.沟通能力

7.项目管理"    "    本课程主要为广大毕业生或者工作经验较少的学员而设立，主要是为了在职业素养方面给大家提供辅导，为更加顺利走向职场而提供帮助。

为什么有些同学在技能方面过关，却还是给予别人一种书生气的感觉？

为什么简历已经通过了，却还是没有通过HR的面试？

为什么入职后，与同事的沟通总是存在问题?

为什么每天的时间都不够用，无法兼顾生活学习和工作?

为什么学习一段时间后，对工作对职场没有方向感?

为什么遇到事情，别人总是能够保持良好心态游刃有余，而我总是问题百出？

COT课程正是引领大家一起来探索其中的奥秘和方法，让大家一起在学习过程中不断深思和进步，让大家的职场路越走越顺畅！"