自从2017年 7 月 20 日，国务院印发《新一代人工智能发展规划》，明确指出在中小学阶段设置人工智能相关课程后，编程教育走进了更多人的视野。Python 作为人工智能时代最合适的语言，无疑被越来越多人追捧。Python已经被北京、浙江、山东等省份纳入高考内容之一，将成为高考加分的利器。

教育部考试中心于2017年10月11日发布了“关于全国计算机等级考试（NCRE）体系调整”的通知，决定自2018年3月起，在计算机二级考试加入“Python语言程序设计”科目。

在众多领域中：人工智能、机器学习、数据挖掘、数据分析、云计算、网络爬虫等都离不开python的身影。

Python已经是人人必学的编程语言，连中学生都开始学习Python了，再不懂点Python都不意思说自己学过计算机。

本课程主要讲解基于深度学习的高级数据挖掘课程和大量的案例分析。课程全程答疑保证每一位报名学员都能学会学懂。

- 讲师简介 -

Python狂人

清华大学博士生，研究方向：人工智能、机器学习、深度学习。现为软件测试工程师，担任 CTO 首席技术官，熟练掌握Python在人工智能中的应用。擅长数值计算与仿真模拟，精通各种 AI 算法和编程：回归预测、全局优化、聚类分类、综合评价、模式识别等。曾作为Python课程讲师，有 4 年多的教学经验。

Ramon

浙江大学博士生，研究方向：大数据、知识图谱、自然语言处理。《 Python 与数据挖掘》作者。熟练使用 Python，擅长自然语言理解、智能问答、深度学习、强化学习。曾在百度深度学习实验室，研究花卉图像识别，成果应用于手机百度APP。讲授数据挖掘课程两年教学经验。

- 课程目录 -

第一篇 数据挖掘高级算法理论及实现（共10学时）
    1 PyTorch入门 (2学时)
        1.1 PyTorch 的优势
        1.2 PyTorch 的编程哲学
        1.3 了解基础
        1.4 重新实现逻辑回归
        1.5 神经网络可视化 TensorBoard in PyTorch

    2 反向传播算法 Back Propagation (2学时)
        2.1 链式求导法则
        2.2 简单网络的反向传播
        2.3 PyTorch 自动求导
        2.4 随机梯度下降法 Stochastic Gradient Descent
        2.5 小批量梯度下降法 Mini-batch Gradient Descent

    【复习】课后作业讲解（1学时）

    3 前馈神经网络 Feed Forward Network (1学时)
        3.1 结构及数学原理
        3.2 获取数据
        3.3 模型训练
        3.4 总结, 分析与思考

    4 卷积神经网络 Convolution Neural Network (1学时)
        4.1 结构及数学原理
        4.2 获取数据
        4.3 模型训练
        4.4 总结, 分析与思考

    【复习】作业练习讲解（1学时）

    5 深度残差网络 Deep Residual Network (1学时)
        5.1 结构及数学原理
        5.2 获取数据
        5.3 模型训练
        5.4 总结, 分析与思考

    6 循环神经网络 Recurrent Neural Network（1学时）
        6.1 结构及数学原理
        6.2 获取数据
        6.3 模型训练
        6.4 总结, 分析与思考

第二篇 数据挖掘案例分析（共10学时）
    1. Tensorflow 的基本介绍 (1学时)

    2. 案例一 图片验证码识别 (光学字符识别)(1学时)
        2.1 获取数据
        2.2 数据增广的技巧
        2.3 基于 Tensorflow 构建卷积神经网络 CNN 模型
        2.4 模型的评价

    3. Tensorflow 中构建 RNN  (1学时)

    4. 案例二 文本数据情感分析 (1学时)
        4.1 获取数据
        4.2 基于 Tensorflow 构建循环神经网络 RNN 模型
        4.3 模型扩展
        4.4 可视化分析

    5. 【复习】阶段复习之 Tensorflow 的基本操作 (1学时)

    6 案例三：基于关联规则（Apriori）分析对超市购物的商品关系（1学时
        6.1 算法简介及数学原理
        6.2 获取数据与处理
        6.3 构建关联规则（Apriori）分析
        6.4 模型的评价扩展
        6.5 课后作业及讲解

    7. 【复习】阶段复习之 Tensorflow 的进阶操作 (1学时)
    8 案例四：基于用户和物品的协同过滤算法进行智能推荐（1学时）
        8.1 算法简介及数学原理
        8.2 获取数据与处理
        8.4 构建协同过滤算法
        8.4 模型的评价扩展
        8.5 课后作业及讲解

    9. 【复习】阶段复习之 Tensorflow 的高级操作 (1学时)

    10 期末考试及点评讲解（1学时）
        10.1 课程期末考试
        10.2 考后点评讲解
        10.3 模型建立与求解
        10.4 模型的评价与拓展
        10.5 试题的变型与思考

- 授课方式 -

1、本次课程为录播课

2、本次课程配套习题和习题讲解课。

- 课程特点 -

• 循序渐进，由浅入深、从入门到进阶
• 学有所成，每次课程配有作业，巩固学习成果，完成课程闭环
• 代码公开，面向学员公开课程的课件和源代码，随时回顾
• 答疑无忧，学员加入微信群，群内和讲师实时互动答疑