原创 学习人工智能都需要学什么？

学习人工智能都需要学什么？人工智能课程需要学习python编程基础、web基础、web-Django框架与项目、 Web-Flask框架与项目、人工智能、机器学习等方面的知识。掌握计算机原理、网络、Web前端、后端、架构、 数据库、项目部署、数据获取、数据提取、数据清洗、数据挖掘、机器学习、深度学习、图像识别等领域所需要的全部技术的前沿课程。

人工智能已上升到战略发展高度的技术，是未来10年内会给带来重大变化的技术。人工智能学习需要学习的内容：

一、python编程基础

1、Python 基础语法

计算机组成：硬件、软件、计算机运行程序方式、Python 语言的特点、应用领域、Python IDE、程序注释：单行注释、多行注释；变量的作用、定义、 命名规则、变量的数据类型、查看变量类型、输入和输入函数、算术运算符、赋值运算符、复合运算符、类型转换、分支结构 if...else 、循环结构、while、 break、continue、for、for...else

2、python 容器

字符串的定义、遍历、下标、切片、常用方法（find、 index、count、replace、split、capitalize、title、 startwith、endwith、lower、upper、ljust、rjust、 center 等）、列表定义、语法格式、列表嵌套、列表的遍历、列表常用操作方法、列表推导式、元组定义、语法格式、常用操作方法、字典定义、语法格式、字典的遍历、常用操作方法、 字符串、列表、容器、字典的公共操作 ：range 、enumerate、max、min、len 函数、del 函数； 运算符+、*、in、not in 在容器中的使用

3、函数和文件操作

函数定义和调用语法、def 语句、return 语句、函数传参（位置参数、关键字参数）、缺省参数、不定长参数、函数文档编写 、函数嵌套、全局变量和局部变量、Python 变量作用域 LEGB、global 语句，nonlocal 语句、组包和拆包、递归函数、 匿名函数 lambda 表达式、文件操作、文件打开与关闭、文件读写操作、文件目录操作

4、面向对象

类和对象、类的定义格式、添加和获取对象属性、常见的魔术方法、继承、公有权限和私有权限、多态的概念和意义、多态的实现、类属性和实例属性、类方法和静态方法、异常的概念、捕捉异常、as 使用、else使用、finally 使用、异常的传递、自定义异常、raise 抛出异常、 模块的概念和作用、制作模块、模块的导入方式 、__all__的作用、__name__的作用、包的概念和作用、制作包、包的导入、案例：学生管理系统

二、人工智能机器学习编程

1、机器学习科学计算库

人工智能概述、机器学习定义、机器学习工作流程、机器学习算法分类、算法模型评估、Azure机器学习平台实验、 机器学习基础环境安装与使用、Matplotlib架构介绍、Matplotlib基本功能实现、 Matplotlib实现多图显示、Matplotlib绘制各类图形、Numpy运算优势、数组的属性、数组的形状、Numpy实现数组基本操作、Numpy实现数组运算、矩阵、 pandas介绍、pandas基本数据操作、DataFrame、Series、MultiIndex、panel、pandas画图、 文件读取和存储、缺失值处理、数据离散化、数据合并、交叉表和透视表、分组和聚合、案例：电影数据分析

2、机器学习算法篇

sklearn介绍、sklearn获取数据集、seaborn介绍、数据可视化、数据集划分、 特征工程、特征预处理、归一化、标准化、特征选择、特征降维、 交叉验证、网格搜索、模型保存和加载、欠拟合、过拟合、 KNN算法、欧式距离、曼哈顿距离、切比雪夫距离、闵氏距离、标准化欧式距离、余弦距离、汉明距离、 杰卡德距离、马氏距离、KNN中k值的选择、kd树、案例：鸢尾花种类预测、 线性回归、求导、最小二乘法、正规方程、梯度下降法、FG、SGD、mini-batch、SAG、Lasso回归、岭回归、 Elastic Net、案例：波士顿房价预测、 逻辑回归、sigmoid、对数似然损失、混淆矩阵、精确率、召回率、F1-Score、ROC曲线、AUC指标、ROC曲线的绘制、 案例：癌症分类预测、决策树算法、熵、信息增益、信息增益比、基尼值、基尼指数、ID3、C4.5、CART算法、 案例：泰坦尼克号乘客生存预测、集成学习、boosting、Bagging、随机森林、GBDT、XGBoost、 案例：泰坦尼克号乘客生存预测优化、聚类算法、K-means聚类实现、SSE、“肘”方法、轮廓系数法、 CH系数、Canopy、Kmeans++、二分k-means、k-medoids、kernel kmeans、ISODATA、Mini-batch K-Means、 案例：探究用户对物品类别的喜好细分

3、机器学习项目实战

《绝地求生》玩家排名预测、客户价值分析系统、注：项目实训会随着社会热点调整

三、人工智能基于大数据的推荐系统项目

1、系统项目理论课

推荐系统定义、推荐系统应用场景、推荐系统算法概述、协同过滤、内容、知识、混合推荐、 协同过滤算法、User-Based CF、Item-Based CF、杰卡德相似系数、余弦相似度、皮尔逊相关系数、 电影评分推荐案例、评分预测标准化、推荐系统评估方法、用户调查、离线测评、在线测评、RMSE、MAE、 K-近邻协同过滤推荐、回归协同过滤推荐、交叉验证与网格搜索、矩阵分解的协同过滤推荐、LFM、Apriori、FP-Growth、 基于内容推荐、物品画像、TFIDF、TOPN、用户画像、物品标签、物品冷启动、word2vec

2、lambda大数据开发

Hadoop简介、生态、发行版本、Hadoop shell命令、ls、cat、mv、put、rm、 文件系统HDFS、namenode、datanode、YARN运行流程、ResourceManager、NodeManager、Contain-er、Client、MapReduce流程、WordCount案例、Spark组件、特点、pyspark使用配置、sparkContext、parallelize、sc.textFile、 Spark算子、Action、Transformation、map、filter、flatmap、union、intersection、groupByKey、 SPARK作业提交模式、Local模式、Standalone模式、Spark ON Yarn模式、Spark日志分析案例、 Spark sql与DataFrame、RDD、DataFrame操作API、withColumn、select、StructType、filter、 json文件操作、spark.read.json、Flume架构、Source、Channel、Sink、Flume采集端口数据案例、 Kafka架构、Topic、Producer、Consumer、Broker、安装与部署、生产者与消费者、Flume与Kafka整合、 sparkStreaming概述、WordCount案例实战、状态操作、updateStateByKey、对接Kafka。