本学习培训实践活动与基础理论并举，根据基础理论解读，算法论述，算法可用情景，实例分析和编号实践活动，及其对全新的人工智能技术算法的发展趋势和网络的剖析和详细介绍，使学生不但把握深度学习，人工智能技术行业常见算法，并且能够 在实战演练中运用深度学习人工智能技术处理工作上的具体难题，进而协助公司在人工智能技术时期技压群雄占得主动权。
1根据标准的分类器
原理
排列计划方案
立即获取标准
间接性获取标准
2分类算法：贝叶斯算法
应用领域简述
贝叶斯定理
贝叶斯算法分类器的来历
朴素贝叶斯分类器
贝叶斯算法信心互联网
3支持向量机
为何支持向量机广受五星好评
从逻辑回归到支持向量机
较大边沿平面图
结构更高級的分类器的重要：核函数
核函数的多种多样挑选
应用支持向量机来归类
如何选择好的实体模型：逻辑回归，支持向量机，人工神经网络
4聚类算法算法：层次聚类
基础凝聚力层次聚类算法
多肽链和全链，组均值
层次聚类的关键难题
层次聚类优势与缺陷剖析
案例学习培训和课堂练习：商品聚类算法
5根据相对密度的聚类算法
应用情景
DBSCAN算法详细说明
相对密度聚类算法的应用
6概率图模型
隐马尔可夫实体模型
马尔科夫随飞机场
条件随机场
7人工神经网络
从逻辑回归到人工神经网络
人的大脑和人工神经网络
感知器实体模型
感知器能处理亦或是难题吗？
多层感知器
深层神经元网络
设计方案深层神经元网络的佳实践
地理位置 Location
