人工智能技术挺火，机器学习很热，许多同学们想来学习培训，但不知道怎样着手在网上实例教程许多，上去就学习培训实体模型，应用架构，绕来绕去，了解不上底层原理机器学习优化算法逻辑推理，很多公式计算和高数令人奔溃，一不小心从新手入门到舍弃这套课程内容从零开始，解读人工智能技术的所有关键基本，四天课给你把握机器学习、离散数学、高等数学和摡论，学好课程内容你能自身计算损失函数，完成梯度下降，笔写神经网络，把控自动驾驶，进行手写字鉴别
课程内容特点
1、浅显易懂，原理和程序编写分离解读。
2、0基本就能听得懂原理，不用Python基本，掌握随意一门计算机语言就能听得懂编码；
3、无需架构，亲自动手完成机器学习关键编码，写神经网络
4、高度重视原理，解读高数身后的演变，从空间向量到引流矩阵，从極限到求微分
5、循序渐进，从helloworld到神经网络
6、实例丰富多彩，很多好用实例围绕课程内容，智能机器人抛掷，预测分析楼价，自动驾驶，精准定位等
天：
00_为何要学数学
01_前言和学习的方法
02_feature和label
03_什么叫机器学习
04_数据收集方法
05_knn算法新手入门
06_knn算法python完成
07_编码步骤回望
08_提取knn函数
09_试验演试结果
10_评定实体模型优劣的方式，训练集和检测集
11_转化成检测和训炼数据
12_调参选择佳的k
13_提升数据信息的层面
14_numpy载入独特数据信息
15_欧氏距离
16_二维空间间距的测算
17_编码提升一个层面
18_数据归一化
19_knn的feature的挑选
20_空间向量和向量的运算
21_定义小结
22_应用引流矩阵和空间向量完成knn
23_房价预测简易架构
24_数据信息的归一化和规范化
附1_怎样学习数学课
附：难题1
第二天：
01_线性回归和Knn
02_线性回归处理什么问题
03_Excel开展线性回归
04_损失函数和少均方差
05_excle来简易了解梯度下降
06_梯度下降的问题分析
07_求导简易新手入门
08_mse对b开展求导
09_Excel演试梯度下降&学习培训速度
10_偏导数各自求出m和b的导函数
11_对m和b各自开展梯度下降
12_Python编码完成梯度下降
13_编码检测转化成m和b
14_工作演试
附_工作解读
第三天：
01_高数新手入门
02_难题叙述
03_简易了解矩阵计算的实际含意
04_引流矩阵的样子
05_引流矩阵的加减法
06_手动式测算矩阵的乘法
07_矩阵的乘法不符合交换律
08_用numpy开展矩阵的乘法计算
09_矩阵计算测算m和b的偏导数
10_numpy矩阵计算演试获得m和b的偏导
11_用矩阵计算重新构建线性回归编码
12_比照程序运行的時间
13_提升数据信息的层面
14_函数模型的评定和差错率的测算
15_引流矩阵能够 了解为一个转变涵数
16_bmp是怎样叙述照片的
17_位图文件和svg图的差别
18_矩阵计算转变照片的部位
19_矩阵计算旋转图形
20_引流矩阵的放缩解决
21_图型转换综合性实例
22_机器学习探讨
23_sigmod涵数引进
24_逻辑回归的流程
附：拓展工作
第四天：
01_自然底数和sigmod涵数
02_矩阵计算测算逻辑回归
03_逻辑回归简易完成
04_多归类难题
05_多归类的概率问题思索
06_多归类难题softmax公式计算
07_手写数字数据
08_手写数字的鉴别原理
09_手写数字数据的解决
10_手写数字的鉴别
11_手写数字bug解决
12_ai无人驾驶
13_神经网络的
14_双层神经网络演试
15_感知机
16_感知机数学课原理
17_线性模型和离散系统实体模型
18_交叉熵cross-entropy
19_几率介绍
地理位置 Location
