HCIA-AI课程大纲

该阶段详细介绍各个机器学习范式方法，涵盖有监督、无监督、半监督、强化学习，以及深度学习算法基础，共计 72 课时。

第一节：华为云 ModelArts 云服务开发环境搭建 - （2 课时） 
- 华为云 ModelArts 云服务简介；
- ModelArts 实例购买及创建；ModelArts 实例配置；
- 本地 Pycharm+ModelArts 云服务搭建本地-云端混合开发环境；
第二节：分类模型之 KNN 模型 - （2 课时） 
- KNN：k 最邻近算法基本原理；算法实现过程；样本距离的计算；
- Python 原生代码手撕 KNN 基本算法实现；
- SCIKIT-LEARN 机器学习算法库介绍；：SCIKIT-LEARN 实现 KNN 算法：红酒数据检测；SCIKIT-LEARN 实现 KNN 算法：威斯康辛州女性乳腺癌检测；
第三节：分类模型的评估及优化方案 - （2 课时） 
- 超参数 K；超参数学习曲线；交叉验证；K 折交叉验证；带有 K 折交叉验证的超参数学习曲线；关于交叉验证的折数问题；
- 特征转换与缩放；什么是标准化、归一化、中心化；数据的量纲问题；网格搜索：网格搜索原理与实现；
第四节：分类模型之决策树模型① - （2 课时） 
- 决策树基本组成结构详解；决策树的基本原理；决策树的决策过程与条件概率分布；
- 决策树的学习算法；决策树构建过程；决策树的属性划分选择；不纯性度量方法：信息熵、基尼指数、分类误差；信息增益、信息增益率；数据集划分；数据集最佳切分函数；
第五节：分类模型之决策树模型② - （2 课时） 
- Python 原生代码手撕决策树 ID3 算法实现；决策树的拟合度优化；决策树的剪枝；
- CCP 后剪枝算法原理；决策树的 C4.5 算法；决策树的 CART 算法；CART 分类回归树模型；
- 使用 SCIKIT-LEARN 实现决策树模型；树模型的常用参数、属性和方法；剪枝超参数；决策树算法总结；
第六节：分类模型的评估指标 - （2 课时） 
- 什么是样本不均衡问题；混淆矩阵的概念：准确率、精确度、召回率、F1 曲线、ROC曲线、PR 曲线；
- Sklearn 的混淆矩阵相关 API；
第七节：分类模型之贝叶斯分类器模型 - （2 课时） 
- 条件概率的理论回顾：条件概率的定义；条件概率的乘法定理；全概率公式及贝叶斯公式；条件概率的独立性；
- 贝叶斯决策论；极大似然估计法估计后验概率；朴素贝叶斯分类器算法的基本原理；原生 Python 代码手撕朴素贝叶斯分类器算法实现；
- 朴素贝叶斯分类器的 SCIKIT-LEARN 实现；半朴素贝叶斯分类器及贝叶斯网络；
第八节：分类模型之逻辑回归模型 - （2 课时） 
- 逻辑回归算法的基本原理；梯度下降法；梯度下降和梯度上升；梯度下降法的调优；
- 逻辑回归算法的 SCIKIT-LEARN 实现；
第九节：分类模型之 SVM 支持向量机 - （2 课时） 
- SVM 算法基本原理；基本概念；Hard-margin SVM；SVM 求解划分超平面；
- SVM 的核方法；常用的核函数；线性可分与线性不可分；SCIKIT-LEARN 实现 SVM模型；
第十节：回归模型之线性回归① - （2 课时） 
- 线性回归算法基本原理；回归算法的核心逻辑；线性回归的优化目标；最小二乘法原理推导；
- 多元线性回归的原生 Python 手撕代码实现；线性回归的模型评估指标；
- 线性回归的 SCIKIT-LEARN 实现；
第十一节：回归模型之线性回归② - （2 课时） 
- 多重共线性问题；多重共线性的问题推导及解决方案；
- L1 与 L2 正则化：岭回归与套索回归；
- L1 正则化与嵌入式特征选择算法；
第十二节：聚类模型之基于划分的聚类：KMeans 聚类 - （2 课时） 
- K 均值聚类算法的基本原理；簇内误差平方和的定义与基本原理；
- 原生 Python 代码手撕 K 均值聚类算法实现；K 均值聚类算法的 SCIKIT-LEARN 实现；K 均值聚类器对象常用属性和方法；
- K-Mediods：K 中心点聚类算法原理；K 中心点聚类算法的手撕 Python 实现及sklearn 实现；GMM 高斯混合聚类算法原理；高斯混合聚类的 sklearn 实现；
第十三节：聚类模型之基于层次的聚类及基于密度的聚类 - （2 课时） 
- 聚类模型的评估指标：轮廓系数；基于轮廓系数选择最优超参数；层次聚类算法：AGNES、BIRCH、CURE；
- 密度聚类算法：DBSCAN、OPTICS；谱聚类算法；
第十四节：数据预处理之数据清洗 - （2 课时） 
- 缺失值填充；为何需要处理缺失值；缺失值填充方法：均值填充；0 值填充；众数填充；中位数填充；
- Sklearn 的缺失值填充 API；异常值检测原理；四分位数检测法；箱线图检测法；3𝜎检测法；异常值填充方法；
第十五节：数据预处理之特征工程：特征编码与特征转换 - （2 课时） 
- 特征离散化处理；等宽分箱法；等频分箱法；信息熵分箱法；决策树分箱法；卡方分箱法；
- 类别型特征的特征编码及转换；哑变量编码；读热编码；序列化编码；
- 连续型特征的特征编码及转换；标准化处理、归一化处理、中心化处理；
第十六节：数据预处理之特征工程：特征选择 - （2 课时） 
- 子集搜索与评价；过滤式特征选择；方差过滤法；卡方检验法；皮尔逊相关系数法；
- 嵌入式特征选择法：L1 正则化；
第十七节：数据预处理之特征工程：降维算法 - （2 课时） 
- 降维算法 MDS 的原理推导；PCA 降维算法的原理推导；特征值分解基本原理；
- 奇异值分解 SVD 介绍；SVD 与 PCA 的关系；PCA 主成分分析降维算法的 sklearn 实现；
- 降维算法之 K 均值聚类算法的降维应用：非结构化数据的矢量量化技术实现；
第十八节：集成学习之 Bagging 集成法：决策树与随机森林 - （2课时） 
- 个体与集成的关系；集成学习算法的基本通用思想；
- Bagging 集成算法的基本原理；随机森林算法基本原理；
- 分类随机森林的 sklearn 实现；随机森林的超参数学习曲线及模型调优；
- 回归随机森林的 sklearn 实现；回归随机森林的应用案例：使用回归森林预测并填充缺失值；
第十九节：集成学习之 Boosting 提升法：Adaboost 自适应增强模型 - （2 课时） 
- Adaboost 自适应增强算法的原理推导；Adaboost 的误差界；
- Adaboost 分类器的 sklearn 实现；Adaboost 回归器的 sklearn 实现；
第二十节：集成学习之 Boosting 提升法：GBDT\GBRT 梯度提升树模型与 xgboost 模型 - （2 课时） 
- GBDT\GBRT 梯度提升分类回归树算法基本原理；梯度下降法在梯度提升树中的应用；
- GBDT\GBRT 的 sklearn 实现；Xgboost 算法原理；xgboost 的 sklearn 实现；
第二十一节：深度学习基础理论与神经网络基础① - （2 课时） 
- 什么是神经网络；什么是深度学习；
- 人工神经网络基本结构；关于深度学习的学习路线推荐与经验分享；深度学习模型构建流程；
- 由逻辑回归模型引入单层与多层感知机；深度学习任务的数据集划分及预处理；初始化模型参数方法：Kaiming 法与 Xavier 法；
第二十二节：深度学习基础理论与神经网络基础② - （2 课时） 
- 激活函数的定义；激活函数的作用；常见的激活函数及其性质和应用；
- 梯度不稳定问题与激活函数的关系；
- 优化器原理；常见的梯度下降法优化器；
- Normalization 数据规范化；BN 规范与 LN 规范；
- 正则化提升模型表现；分类模型的评估指标；
第二十三节：CNN 卷积神经网络基础① - （2 课时） 
- 卷积神经网络基本概念；计算机视觉技术的应用前景介绍；
- 卷积网络的卷积运算原理；
- 卷积的各种类型；池化层与全连接层；
第二十四节：CNN 卷积神经网络基础② - （2 课时） 
- CNN 经典网络论文精读：AlexNet 深度卷积神经网络论文精读；
- CNN 经典网络论文精读：ResNet 深度卷积神经网络论文精读；
- CNN 经典网络论文：GoogleNet、VGG 网络介绍；
第二十五节：RNN 循环神经网络基础① - （2 课时） 
- 循环神经网络基本概念；循环神经网络的典型应用常见；
- 循环神经网络的原理；循环神经网络的训练；标准 RNN 网络存在的问题；
第二十六节：RNN 循环神经网络基础② - （2 课时） 
- RNN 网络经典变体：LSTM 长短期记忆网络、GRU 门控循环单元论文精读；
- LSTM、GRU 网络实战项目；
第二十七节：生成式模型代表：生成式对抗网络（GAN）① - （2课时） 
- 生成式模型简介；常见的生成式模型种类；
- GAN 网络核心原理；
- 早期原始 GAN 网络论文精读；
第二十八节：生成式模型代表：生成式对抗网络（GAN）② - （2课时） 
- GAN 网络经典变体：CycleGAN 论文精读；
- GAN 网络经典变体：StyleGAN 论文精读；
- GAN 网络经典变体：DCGAN 论文精读；
第二十九节：独立于传统有/无监督学习的第三种机器学习范式：强化学习① - （2 课时） 
- 强化学习简介；强化学习的定义与背景；强化学习的应用领域；强化学习与其他机器学习范式的对比；
- 强化学习基本概念：智能体、环境、动作、状态、奖励；
- 强化学习的奖励假设；强化学习的马尔可夫决策过程（MDP）模型；
第三十节：独立于传统有/无监督学习的第三种机器学习范式：强化学习② - （2 课时） 
- 强化学习的核心算法：值函数与测录；基于值函数的强化学习算法：Q-Learning；
- 基于策略的强化学习算法：策略梯度方法；
第三十一节：独立于传统有/无监督学习的第三种机器学习范式：强化学习③ - （2 课时） 
- 强化学习与深度学习的结合：深度强化学习简介；
- 深度 Q 网络、深度策略网络、深度确定性策略梯度算法；
第三十二节：独立于传统有/无监督学习的第三种机器学习范式：强化学习④ - （2 课时） 
- 高级强化学习算法：双重深度 Q 网络、深度 Q 网络的经验回放；
- 高级强化学习算法：深度 Q 网络的目标网络、预测性动作选择；
第三十三节：领先的机器学习范式：半监督学习① - （2 课时） 
- 什么是半监督学习；半监督学习发展简史、半监督学习的应用领域；
- 半监督学习发展的重要性解读；
- 有监督学习与无监督学习回顾；半监督学习与有/无监督学习的联系和区别；

附赠①：Python 基础编程快速入门（录播，36 课时）
该阶段详细介绍机器学习所必须掌握的 Python 编程知识，共计 36 课时。

附赠②：机器学习的数学理论基础（录播，84 课时）
该阶段详细介绍学习数据挖掘算法所必须的数学理论，包含微积分、线性代数、概率论与数理统计及凸优化理论，共计 84 课时。