课程大纲：
一、机器学习
1、人工智能、机器学习、深度学习、大数据分析与挖掘
人工智能、机器学习、深度学习的概念和场景
大数据分析挖掘、AI、机器学习的关系
智能金融的案例
智能金融中人工智能、机器学习、大数据分析挖掘应用案例
2、Python的AI机器学习库
Python编程开发环境的部署配置
Python在数据分析挖掘和人工智能领域的常用方法
Python常用AI机器学习库的使用
Python科学计算库Numpy的使用
Python数据分析处理库Pandas的使用
Python可视化库Matplotlib的使用
3、基本的算法实现
Python线性回归
Python逻辑回归
Python决策树
Python随机森林
Python支持向量机
Python朴素贝叶斯
4、各类程序的实现
Python建模和预测程序的编写
Python文本挖掘程序的开发编写
Python分类分析程序的开发编写
Python聚类程序的开发编写
Python关联规则预测程序的开发编写
Python统计分析程序的编写
5、TensorFlow 框架介绍
TensorFlow：一个AI深度学习框架的概述
TensorFlow架构
TensorFlow的安装、部署、配置
TensorFlow的应用场景和应用案例
TensorFlow搭建GPU和CPU人工智能集群
基于Tensorflow实现CNN模型应用，及算法部署，算法调优，处理效率提升之道
基于Tensorflow实现RNN（LSTM）模型应用，以及算法部署，算法调优，处理效率提升之道
6、TensorFlow项目应用
基于TensorFlow实现文本数据分类项目
基于TensorFlow实现简单的图片数据分类和智能识别
二、数据分析与机器学习的企业应用
1、推荐系统
推荐的定义
推荐系统算法(根据学员接受情况选讲)
关联规则挖掘算法
局部加权线性回归（Locally Weighted Linear * gression）
时间序列分析算法
推荐与协同过滤算法
连通性分析算法
影响力传播分析算法，三角计算等
社交网络图计算算法
推荐系统算法演练案例
案例：商品推荐系统
2、聚类
聚类的基本概念
聚类数据的表示
聚类算法(根据学员接受情况选讲)
Canopy 聚类（canopy clustering）
K 均值算法（K-means clustering）
模糊 K 均值（Fuzzy K-means clustering）
EM 聚类，即期望*化聚类（Expectation Maximization）
均值漂移聚类（Mean Shift clustering）
层次聚类（Hierarchical Clustering）
狄利克雷过程聚类（ Dirichlet Process Clusering）
用k-means对新闻聚类
聚类用于生产环境
案例：寻找新闻文档中的话题
3、分类
分类系统基础
分类、推荐和聚类的区别
分类的应用
分类的工作原理(根据学员接受情况选讲)
决策树算法
逻辑回归算法（logistics regression）
贝叶斯算法（Bayesian 与 Cbeyes）
支持向量机（Support vector machine）
感知器算法（perceptron and winnow）
神经网络（neural network）
随机森林（random forests）
训练分类器
案例: 虚拟企业分类系统
柯普瑞企业IT学院—官网