Python机器学习
专题一、Python 编程入门（一）
1、Python 环境搭建（Python 软件下载、安装与版本选择；PyCharm 下载、安装；Python 之 Hello World；第三方模块的安装与使用；Python 2.x 与 Python 3.x 对比）
2、Python 基本语法（Python 变量命名规则；Python 基本数学运算；Python 常用变量类型的定义与操作；Python 程
序注释）
专题二、Python 编程入门（二）
1、Python 流程控制（条件判断；for 循环；while 循环；break 和 continue 关键字；嵌套循环与可变循环）
2、Python 函数与对象（函数的定义与调用；函数的参数传递与返回值；变量作用域与全局变量；对象的创建与使用）
专题三、Python 基本绘图
1、Matplotlib 的安装
2、简单图形绘制
3、设置散点、线条、坐标轴、图例、注解等属性
4、绘制多图
5、图的嵌套
专题四、Python 科学计算模块库
1、Numpy 的安装
2、ndarray 类型属性与函数
3、Numpy 数组的创建、索引与切片
4、Numpy 常用函数简介与使用
专题五、BP 神经网络（一）
1、BP 神经网络的基本原理（人工神经网络的分类有哪些？有导师学习和无导师学习的区别是什么？BP 神经网络的拓扑结构和训练过程是怎样的？什么是梯度下降法？BP 神经网络建模的本质是什么？）
2、BP 神经网络的 Python 代码实现（怎样划分训练集和测试集？为什么需要归一化？归一化是必须的吗？什么是梯度爆炸与梯度消失？）
3、案例：回归拟合
专题六、BP 神经网络（二）
1、BP 神经网络参数的优化（隐含层神经元个数、学习率、初始权值和阈值等如何设置？什么是交叉验证？）
2、值得研究的若干问题（欠拟合与过拟合、泛化性能评价指标的设计、样本不平衡问题等）
3、案例一：分类识别
4、案例二：时间序列预测（新型冠状病毒肺炎流行趋势预测）
专题七、支持向量机
1、SVM 的基本原理
2、核函数的作用与粒计算 3、SVM 的 Python 代码实现
1）回归拟合案例
2）分类识别案例
4、SVM 的启发：样本重要性的排序及样本筛选
专题八、决策树与随机森林
1、决策树的基本原理（信息熵与信息增益）
2、ID3 算法与 C4.5 算法
3、决策树的 Python 代码实现
1）回归拟合案例
2）分类识别案例
4、决策树的启发：变量重要性的排序及变量筛选
5、随机森林的基本思想与集成学习框架
6、随机森林的 Python 代码实现
1）回归拟合案例实战
2）分类识别案例实战
专题九、群优化算法
1、群优化算法的前世今生
2、遗传算法（Genetic Algorithm）的基本原理3、Python 遗传算法代码实现
4、案例一：一元/多元函数的极值点优化（连续优化）
5、案例二：特征选择（离散优化）
专题十、变量降维与特征选择
1、变量降维(Dimension reduction)与特征选择(Feature selection)在概念上的区别与联系2、主成分分析（PCA）、偏最小二乘法（PLS）的基本原理
3、PCA 的启发：训练集与测试集划分合理性的判断
4、经典特征选择方法（前向选择法与后向选择法、无信息变量消除法）的基本原理
5、案例演示：PCA/PLS 多元回归拟合 Python 代码实现
专题十一、总结
1、总结
2、如何避开人工智能实际应用中的那些“坑”？如何挖掘创新点？
原文链接