作者:mcxy_ngex
最近有個腦筋急轉(zhuǎn)彎，很有意思。
問：移動支付時代，口香糖的銷量為什么急速下滑？
答案：從前購物用現(xiàn)金支付，大家結(jié)賬時為了湊整，總愛順手拿只口香糖�？谙闾莾r格便宜，也挺實用，所以常常擺在收銀臺上。
如今，移動支付橫掃大城小鎮(zhèn)。手機(jī)一掃，能精確到分分角角，沒人再順手拿口香糖了。
像是方便面產(chǎn)業(yè)想不到最后是被外賣行業(yè)擺了一道。
又像是那個用石頭填水的烏鴉，可能也沒有想到，最后干掉自己的竟是一只銜著吸管的烏鴉。
索尼被諾基亞干掉了；
口香糖的對手是移動支付；
大潤發(fā)被阿里巴巴收購；
美團(tuán)喊出“滅餓除滴”的口號（“餓了么”、“滴滴”）。
愈是接近未來，敵人愈是無孔不入、愈是無處不在。
“鐵飯碗”工作不復(fù)存在，最大的保障別無其他，只是身懷一技。
如今，有了巨量信息與云計算的加持，AI正以前所未有的速度成長著，推動每一個行業(yè)的變革。
因此近乎所有的事物都正在坍塌中重構(gòu)。
對于“穿鞋的人”來說，重構(gòu)意味著危機(jī)。
對于“光腳的人”來說，重構(gòu)意味著機(jī)會。
但無論是光腳還是穿鞋，我們都是要么守著舊業(yè)，被淹死在浪潮里。
要么保持敏感的警覺性，站在潮流中。
有人說2017年是AI的元年，有人說2018年是AI的元年。
而2019年，伴隨著5G時代的來臨，有人說AI的元年或會于今年正式開啟。
正在讀著這句話的你，認(rèn)為何時人類會真正迎來AI的元年呢？
或許，我們都不知道一個準(zhǔn)確的答案，但可以確定的是我們每個人比以往任何的歷史時刻中，都更接近人工智能。
根據(jù)美國市場情報公司Tractica公布的一些數(shù)據(jù)，我們可以推斷，在接下來的至少10年中，AI都將依然持續(xù)成為一大熱門領(lǐng)域。
據(jù)美國市場情報公司Tractica預(yù)測的數(shù)據(jù)，相較2018年，至2025年，AI市場總值會增長近15倍
近兩年的概念炒作期，使得AI人工智能這個概念到了近乎無一人不曉的地步。
可能眾人對AI的火爆已經(jīng)當(dāng)做了一種常態(tài)，以至于很多人在聽到AI與自己本職工作的對抗與協(xié)作時，內(nèi)心也都激不起任何波瀾。
但新時代的更迭，卻不會被個體內(nèi)心消極的感受所阻礙。
2015年07月04日國務(wù)院發(fā)布《國務(wù)院關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動的指導(dǎo)意見》
2016年11月29日國務(wù)院發(fā)布《“十三五”國家戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃》中關(guān)于人工智能的部分。
2017年7月20日，國務(wù)院發(fā)布《新一代人工智能發(fā)展規(guī)劃》，正式開啟國內(nèi)人工智能的新篇章。相關(guān)政策進(jìn)入全面爆發(fā)期。人工智能人才需求也達(dá)到井噴期，真正供不應(yīng)求。
而剛過去的2018年的11月底，在深圳召開的第二十屆中國國際高新技術(shù)成果交易會人才與智力交流會上，相關(guān)記者又了解到：
0年經(jīng)驗AI工程師年薪30萬起，算法工程師等年薪40萬+。
普遍從業(yè)者年薪30萬起的情況下，AI應(yīng)屆生的薪水較之往年，上漲了10%~20%以上或者更多；
博士生的薪水則從2017年的 50 萬元直接猛漲到 80 萬元；
一些準(zhǔn)備布局 AI 領(lǐng)域的新銳企業(yè)，則更是做好了高價從互聯(lián)網(wǎng)巨頭處搶奪人才的準(zhǔn)備。
可想而知，在國家項目、互聯(lián)網(wǎng)、金融等100多種熱門行業(yè)中，新興產(chǎn)業(yè)人才需求之旺盛，已然成為每個人打破階層，進(jìn)軍大公司及國企的好機(jī)會。
（我國人工智能產(chǎn)業(yè)規(guī)模及年增長率）
（我國人工智能企業(yè)投融資金額總量）
和菜頭說：“順著大浪游泳，怎么都能游得更快一點(diǎn)”。
如果你想擁有更多機(jī)會，如果你想要高薪，那就現(xiàn)在開始學(xué)習(xí)人工智能吧。
云博士（美國哈佛大學(xué)博士后 && 浙江大學(xué)博士）領(lǐng)銜的人工智能博士團(tuán)隊開發(fā)推出了人工智能機(jī)器學(xué)習(xí)365天特訓(xùn)營（第三期）（實時直播+直播回放+24小時1對1答疑服務(wù)）。（掃描最底部二維碼聯(lián)系助教或直接報名課程）
課程提供什么服務(wù)？
充分考慮到同學(xué)們的學(xué)習(xí)效果和就業(yè)情況，冪次學(xué)院提供5項課程服務(wù)。從發(fā)展歷程、概念、基本名詞、術(shù)語、評估方法講起，到算法模型與實戰(zhàn)演練：
名校大牛講師授課：云博士（美國哈佛大學(xué)博士后 && 浙江大學(xué)博士）授課；
365天的系統(tǒng)學(xué)習(xí)周期：視頻直播學(xué)習(xí)，4年內(nèi)隨時隨地回看直播，24小時在線答疑系統(tǒng)；
優(yōu)質(zhì)的1V1答疑服務(wù)：全天24小時開放的問答系統(tǒng)與社群交流服務(wù)，讓你的每一個問題都能夠得到解答，課程資料源碼隨時下載。
頒發(fā)培訓(xùn)結(jié)業(yè)證書：通過冪次學(xué)院的階段測試和畢業(yè)測試，并頒發(fā)冪次學(xué)院人工智能培訓(xùn)結(jié)業(yè)證書。
怎么學(xué)？學(xué)多久？什么時候?qū)W？
合計365+天，每周兩次（每周四19：00-20：00，20：00-21：00）直播，365天130+小時（理論+6個企業(yè)級項目實戰(zhàn)）課程（講師直播答疑，課程7*24小時問答服務(wù)，學(xué)院社群7*24小時交流，課程資料隨時下載）直播回放4年內(nèi)隨時隨地回看。
現(xiàn)在報名贈送價值1798元的2門基礎(chǔ)課程
1. 現(xiàn)在報名免費(fèi)贈送售價899元的 機(jī)器學(xué)習(xí)之Python編程基礎(chǔ)與數(shù)據(jù)分析 課程，課程內(nèi)容由清華大學(xué)python大牛主講，課程內(nèi)容包括：python基礎(chǔ)，python數(shù)據(jù)分析，python機(jī)器學(xué)習(xí)基礎(chǔ)與python在機(jī)器學(xué)習(xí)中的實踐案例。
2. 現(xiàn)在報名免費(fèi)贈送售價899元的 人工智能數(shù)學(xué)基礎(chǔ)8天集訓(xùn)營 課程，由中國科學(xué)院計算技術(shù)研究所博士團(tuán)隊主講，課程內(nèi)容包括：矩陣論基礎(chǔ)，概率與信息論，數(shù)值計算三部分。
助力您解決人工智能學(xué)習(xí)中所需要用到的數(shù)學(xué)知識、Python編程知識。
立即開始體系化學(xué)習(xí)，所有知識一步到位，不再需要報名其他任何課程！
跟誰學(xué)？
云博士：美國哈佛大學(xué)大數(shù)據(jù)分析方向博士后，浙江大學(xué)計算機(jī)科學(xué)與技術(shù)專業(yè)博士，曾任華為高級軟件工程師/項目經(jīng)理
發(fā)明專利多項，軟件著作權(quán)多項，國際重要期刊論文數(shù)十篇，國家及省部級項目多項，橫向項目數(shù)十項。
張博士：中國科學(xué)院計算技術(shù)研究所機(jī)器學(xué)習(xí)方向博士
專注于人機(jī)交互、機(jī)器學(xué)習(xí)等領(lǐng)域研究。曾在國內(nèi)外知名會議期刊發(fā)表多篇論文，并榮獲人工智能領(lǐng)域會議“最佳論文提名獎”，目前擁有國家發(fā)明專利2項、軟件著作權(quán)1項。
李金老師：清華大學(xué)機(jī)器學(xué)習(xí)方向本碩雙清華畢業(yè)生，阿里巴巴機(jī)器學(xué)習(xí)方向算法工程師
研究方向為：推薦系統(tǒng)，計算機(jī)視覺，自然語言處理，深度學(xué)習(xí)等，在TNNLS，PR等雜志上發(fā)表過多篇論文，著有《自學(xué)Python編程基礎(chǔ)科學(xué)計算及數(shù)據(jù)分析》一書，Python筆記3K+Star，知乎python及機(jī)器學(xué)習(xí)板塊12K+ zan，冪次學(xué)院簽約講師。
學(xué)什么？（直播+直播回放+答疑課程大綱）
第一部分 基礎(chǔ)篇
第1章 初識機(jī)器學(xué)習(xí)（直播課程+直播回放+答疑）
1.1 引言
1.2 基本術(shù)語
1.3 假設(shè)空間
1.4 歸納偏好
1.5 發(fā)展歷程
1.6 應(yīng)用現(xiàn)狀
第2章 模型評估與選擇（直播課程+直播回放+答疑）
2.1 經(jīng)驗誤差與過擬合
2.2 評估方法
2.2.1 留出法
2.2.2 交叉驗證法
2.2.3 自助法
2.2.4 調(diào)參與最終模型
2.3 性能度量
2.3.1 錯誤率與精度
2.3.2 查準(zhǔn)率、查全率與F1
2.3.3 ROC與AUC
2.3.4 代價敏感錯誤率與代價曲線
2.4 比較檢驗
2.4.1 假設(shè)檢驗
2.4.2 交叉驗證t檢驗
2.4.3 McNemar檢驗
2.4.4 Friedman檢驗與后續(xù)檢驗
2.5 偏差與方差
第3章 線性模型（直播課程+直播回放+答疑）
3.1 基本形式
3.2 線性回歸
3.3 對數(shù)幾率回歸
3.4 線性判別分析
3.5 多分類學(xué)習(xí)
3.6 類別不平衡問題
第4章 決策樹（直播課程+直播回放+答疑）
4.1 基本流程
4.2 劃分選擇
4.2.1 信息增益
4.2.2 增益率
4.2.3 基尼指數(shù)
4.3 剪枝處理
4.3.1 預(yù)剪枝
4.3.2 后剪枝
4.4 連續(xù)與缺失值
4.4.1 連續(xù)值處理
4.4.2 缺失值處理
4.5 多變量決策樹
第5章 神經(jīng)網(wǎng)絡(luò)（直播課程+直播回放+答疑）
5.1 神經(jīng)元模型
5.2 感知機(jī)與多層網(wǎng)絡(luò)
5.3 誤差逆?zhèn)鞑ニ惴?/p>
5.4 全局最小與局部極小
5.5 其他常見神經(jīng)網(wǎng)絡(luò)
5.5.1 RBF網(wǎng)絡(luò)
5.5.2 ART網(wǎng)絡(luò)
5.5.3 SOM網(wǎng)絡(luò)
5.5.4 級聯(lián)相關(guān)網(wǎng)絡(luò)
5.5.5 Elman網(wǎng)絡(luò)
5.5.6 Boltzmann機(jī)
第6章 支持向量機(jī)（直播課程+直播回放+答疑）
6.1 間隔與支持向量
6.2 對偶問題
6.3 核函數(shù)
6.4 軟間隔與正則化
6.5 支持向量回歸
6.6 核方法
第7章 深度學(xué)習(xí)（直播課程+直播回放+答疑）
7.1 卷積神經(jīng)網(wǎng)絡(luò)CNN基本原理
7.2 開源深度學(xué)習(xí)框架與常見卷積網(wǎng)絡(luò)模型
7.3 循環(huán)神經(jīng)網(wǎng)絡(luò)RNN
7.4 生成模型與對抗生成網(wǎng)絡(luò)
7.5 Keras基礎(chǔ)（一）
7.6 Keras基礎(chǔ)（二）
7.7 Keras基礎(chǔ)（三）
7.8 Keras基礎(chǔ)（四）
7.9 Keras基礎(chǔ)（五）
7.10 Keras基礎(chǔ)（六）
7.11 Keras（七） - 圖像識別例子分析
7.12 Keras（八） - 時序模型例子分析
7.13 Keras（九） - 自然語言處理例子分析
7.14 Keras（十） - 對抗網(wǎng)絡(luò)與生成模型例子分析
7.15 Tensorflow，TFSlim，Tensorlayer基礎(chǔ)（一）
7.16 Tensorflow，TFSlim，Tensorlayer基礎(chǔ)（二）
7.17 Tensorflow，TFSlim，Tensorlayer基礎(chǔ)（三）
7.18 Tensorflow，TFSlim，Tensorlayer基礎(chǔ)（四）
7.19 Tensorflow，TFSlim，Tensorlayer基礎(chǔ)（五）
7.20 Tensorflow，TFSlim，Tensorlayer（六） - 圖像識別例子分析
7.21 Tensorflow，TFSlim，Tensorlayer（六） - 時序模型例子分析
7.22 Tensorflow，TFSlim，Tensorlayer（六） - 自然語言處理例子分析
7.23 Tensorflow，TFSlim，Tensorlayer（六） - 圖像分割例子分析
7.24 Tensorflow，TFSlim，Tensorlayer（六） - 對象檢測例子分析
第8章 貝葉斯分類器（直播課程+直播回放+答疑）
8.1 貝葉斯決策論
8.2 極大似然估計
8.3 樸素貝葉斯分類器
8.4 半樸素貝葉斯分類器
8.5 貝葉斯網(wǎng)
8.5.1 結(jié)構(gòu)
8.5.2 學(xué)習(xí)
8.5.3 推斷
8.6 EM算法
第9章 集成學(xué)習(xí)（直播課程+直播回放+答疑）
9.1 個體與集成
9.2 Boosting
9.3 Bagging與隨機(jī)森林
9.3.1 Bagging
9.3.2 隨機(jī)森林
9.4 結(jié)合策略
9.4.1 平均法
9.4.2 投票法
9.4.3 學(xué)習(xí)法
9.5 多樣性
9.5.1 誤差--分歧分解
9.5.2 多樣性度量
9.5.3 多樣性增強(qiáng)
第10章 聚類（直播課程+直播回放+答疑）
10.1 聚類任務(wù)
10.2 性能度量
10.3 距離計算
10.4 原型聚類
10.4.1 k均值算法
10.4.2 學(xué)習(xí)向量量化
10.4.3 高斯混合聚類
10.5 密度聚類
10.6 層次聚類
第11章 降維與度量學(xué)習(xí)（直播課程+直播回放+答疑）
11.1 k近鄰學(xué)習(xí)
11.2 低維嵌入
11.3 主成分分析
11.4 核化線性降維
11.5 流形學(xué)習(xí)
11.5.1 等度量映射
11.5.2 局部線性嵌入
11.6 度量學(xué)習(xí)
第二部分 進(jìn)階篇
第12章 特征選擇與稀疏學(xué)習(xí)（直播課程+直播回放+答疑）
12.1 子集搜索與評價
12.2 過濾式選擇
12.3 包裹式選擇
12.4 嵌入式選擇與L_1正則化
12.5 稀疏表示與字典學(xué)習(xí)
12.6 壓縮感知
第13章 計算學(xué)習(xí)理論（直播課程+直播回放+答疑）
13.1 基礎(chǔ)知識
13.2 PAC學(xué)習(xí)
13.3 有限假設(shè)空間
13.3.1 可分情形
13.3.2 不可分情形
13.4 VC維
13.5 Rademacher復(fù)雜度
13.6 穩(wěn)定性
第14章 半監(jiān)督學(xué)習(xí)（直播課程+直播回放+答疑）
14.1 未標(biāo)記樣本
14.2 生成式方法
14.3 半監(jiān)督SVM
14.4 圖半監(jiān)督學(xué)習(xí)
14.5 基于分歧的方法
14.6 半監(jiān)督聚類
第15章 概率圖模型（直播課程+直播回放+答疑）
15.1 隱馬爾可夫模型
15.2 馬爾可夫隨機(jī)場
15.3 條件隨機(jī)場
15.4 學(xué)習(xí)與推斷
15.4.1 變量消去
15.4.2 信念傳播
15.5 近似推斷
15.5.1 MCMC采樣
15.5.2 變分推斷
15.6 話題模型
第16章 規(guī)則學(xué)習(xí)（直播課程+直播回放+答疑）
16.1 基本概念
16.2 序貫覆蓋
16.3 剪枝優(yōu)化
16.4 一階規(guī)則學(xué)習(xí)
16.5 歸納邏輯程序設(shè)計
16.5.1 最小一般泛化
16.5.2 逆歸結(jié)
第17章 強(qiáng)化學(xué)習(xí)（直播課程+直播回放+答疑）
17.1 任務(wù)與獎賞
17.2 K-搖臂**機(jī)
17.2.1 探索與利用
17.2.2 ε-貪心
17.2.3 Softmax
17.3 有模型學(xué)習(xí)
17.3.1 策略評估
17.3.2 策略改進(jìn)
17.3.3 策略迭代與值迭代
17.4 免模型學(xué)習(xí)
17.4.1 蒙特卡羅強(qiáng)化學(xué)習(xí)
17.4.2 時序差分學(xué)習(xí)
17.5 值函數(shù)近似
17.6 模仿學(xué)習(xí)
17.6.1 直接模仿學(xué)習(xí)
17.6.2 逆強(qiáng)化學(xué)習(xí)
第18章 增量學(xué)習(xí)（直播課程+直播回放+答疑）
18.1 被動攻擊學(xué)習(xí)
18.1.1 梯度下降量的抑制
18.1.2 被動攻擊分類
18.1.3 被動攻擊回歸
18.2 適應(yīng)正則化學(xué)習(xí)
18.2.1 參數(shù)分布的學(xué)習(xí)
18.2.2 適應(yīng)正則化分類
18.2.3 適應(yīng)正則化回歸
18.3 增量隨機(jī)森林
第19章 遷移學(xué)習(xí)（直播課程+直播回放+答疑）
19.1 遷移學(xué)習(xí)簡介
19.1.1 什么是遷移學(xué)習(xí)
19.1.2 遷移學(xué)習(xí)VS傳統(tǒng)機(jī)器學(xué)習(xí)
19.1.3 應(yīng)用領(lǐng)域
19.2 遷移學(xué)習(xí)的分類方法
19.2.1 按遷移情境
19.2.2 按特征空間
19.2.3 按遷移方法
19.3 代表性研究成果
19.2.1 域適配問題
19.2.2 多源遷移學(xué)習(xí)
19.2.3 深度遷移學(xué)習(xí)
第20章 主動學(xué)習(xí)（直播課程+直播回放+答疑）
20.1 主動學(xué)習(xí)簡介
20.2 主動學(xué)習(xí)思想
20.3 主動學(xué)習(xí)VS半監(jiān)督學(xué)習(xí)
20.4 主動學(xué)習(xí)VS Self-Learning
第21章 多任務(wù)學(xué)習(xí)（直播課程+直播回放+答疑）
21.1 使用最小二乘回歸的多任務(wù)學(xué)習(xí)
21.2 使用最小二乘概率分類器的多任務(wù)學(xué)習(xí)
21.3 多次維輸出函數(shù)的學(xué)習(xí)
第三部分 實戰(zhàn)篇
第22章 機(jī)器學(xué)習(xí)應(yīng)用場景介紹（直播課程+直播回放+答疑）
22.1 機(jī)器學(xué)習(xí)經(jīng)典應(yīng)用場景
22.2 頭腦風(fēng)暴：挖掘身邊的應(yīng)用場景
第23章 數(shù)據(jù)預(yù)處理（直播課程+直播回放+答疑）
23.1 數(shù)據(jù)降噪
23.2 數(shù)據(jù)分割
第24章 特征提�。ㄖ辈フn程+直播回放+答疑）
24.1 時域特征
24.2 頻域特征
24.3 自動特征提取
第25章 機(jī)器學(xué)習(xí)方法應(yīng)用（直播課程+直播回放+答疑）
25.1 應(yīng)用機(jī)器學(xué)習(xí)方法之前的處理
25.2 使用機(jī)器學(xué)習(xí)分類
25.3 機(jī)器學(xué)習(xí)調(diào)參
25.4 分類結(jié)果展示
第26章 - 機(jī)器學(xué)習(xí)企業(yè)級項目實戰(zhàn)（直播課程+直播回放+答疑）
26.1 O2O優(yōu)惠券使用預(yù)測
26.2 鮑魚年齡預(yù)測
26.3 機(jī)器惡意流量識別
26.4 根據(jù)用戶軌跡進(jìn)行精準(zhǔn)營銷
26.5 根據(jù)搜狗輸入進(jìn)行用戶畫像
26.6 美國債務(wù)違約預(yù)測
如何報名？
