1、培訓(xùn)過程中，如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽；
        2、培訓(xùn)結(jié)束后,授課老師留給學(xué)員聯(lián)系方式,保障培訓(xùn)效果,免費(fèi)提供課后技術(shù)支持。
        3、培訓(xùn)合格學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會。

• “人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks）”是另一種算法方法，它也是早期機(jī)器學(xué)習(xí)專家提出的，存在已經(jīng)幾十年了。神經(jīng)網(wǎng)絡(luò)（Neural Networks）的構(gòu)想源自于我們對人類大腦的理解——神經(jīng)元的彼此聯(lián)系。二者也有不同之處，人類大腦的神經(jīng)元按特定的物理距離連接的，人工神經(jīng)網(wǎng)絡(luò)有獨(dú)立的層、連接，還有數(shù)據(jù)傳播方向。
• 　　例如，你可能會抽取一張圖片，將它剪成許多塊，然后植入到神經(jīng)網(wǎng)絡(luò)的第一層。第一層獨(dú)立神經(jīng)元會將數(shù)據(jù)傳輸?shù)降诙?，第二層神?jīng)元也有自己的使命，一直持續(xù)下去，直到最后一層，并生成最終結(jié)果。
• 　　每一個神經(jīng)元會對輸入的信息進(jìn)行權(quán)衡，確定權(quán)重，搞清它與所執(zhí)行任務(wù)的關(guān)系，比如有多正確或者多么不正確。最終的結(jié)果由所有權(quán)重來決定。以停止標(biāo)志為例，我們會將停止標(biāo)志圖片切割，讓神經(jīng)元檢測，比如它的八角形形狀、紅色、與眾不同的字符、交通標(biāo)志尺寸、手勢等。
• 　　神經(jīng)網(wǎng)絡(luò)的任務(wù)就是給出結(jié)論：它到底是不是停止標(biāo)志。神經(jīng)網(wǎng)絡(luò)會給出一個“概率向量”，它依賴于有根據(jù)的推測和權(quán)重。在該案例中，系統(tǒng)有86%的信心確定圖片是停止標(biāo)志，7%的信心確定它是限速標(biāo)志，有5%的信心確定它是一支風(fēng)箏卡在樹上，等等。然后網(wǎng)絡(luò)架構(gòu)會告訴神經(jīng)網(wǎng)絡(luò)它的判斷是否正確。
• 　　即使只是這么簡單的一件事也是很超前的，不久前，AI研究社區(qū)還在回避神經(jīng)網(wǎng)絡(luò)。在AI發(fā)展初期就已經(jīng)存在神經(jīng)網(wǎng)絡(luò)，但是它并沒有形成多少“智力”。問題在于即使只是基本的神經(jīng)網(wǎng)絡(luò)，它對計算量的要求也很高，因此無法成為一種實際的方法。盡管如此，還是有少數(shù)研究團(tuán)隊勇往直前，比如多倫多大學(xué)Geoffrey Hinton所領(lǐng)導(dǎo)的團(tuán)隊，他們將算法平行放進(jìn)超級電腦，驗證自己的概念，直到GPU開始廣泛采用我們才真正看到希望。
• 　　回到識別停止標(biāo)志的例子，如果我們對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，用大量的錯誤答案訓(xùn)練網(wǎng)絡(luò)，調(diào)整網(wǎng)絡(luò)，結(jié)果就會更好。研究人員需要做的就是訓(xùn)練，他們要收集幾萬張、甚至幾百萬張圖片，直到人工神經(jīng)元輸入的權(quán)重高度精準(zhǔn)，讓每一次判斷都正確為止——不管是有霧還是沒霧，是陽光明媚還是下雨都不受影響。這時神經(jīng)網(wǎng)絡(luò)就可以自己“教”自己，搞清停止標(biāo)志的到底是怎樣的；它還可以識別Facebook的人臉圖像，可以識別貓——吳恩達(dá)（Andrew Ng）2012年在谷歌做的事情就是讓神經(jīng)網(wǎng)絡(luò)識別貓。
• 　　吳恩達(dá)的突破之處在于：讓神經(jīng)網(wǎng)絡(luò)變得無比巨大，不斷增加層數(shù)和神經(jīng)元數(shù)量，讓系統(tǒng)運(yùn)行大量數(shù)據(jù)，訓(xùn)練它。吳恩達(dá)的項目從1000萬段YouTube視頻調(diào)用圖片，他真正讓深度學(xué)習(xí)有了“深度”。
• 　　到了今天，在某些場景中，經(jīng)過深度學(xué)習(xí)技術(shù)訓(xùn)練的機(jī)器在識別圖像時比人類更好，比如識別貓、識別血液中的癌細(xì)胞特征、識別MRI掃描圖片中的腫瘤。谷歌AlphaGo學(xué)習(xí)圍棋，它自己與自己不斷下圍棋并從中學(xué)習(xí)。
  1什么是機(jī)器學(xué)習(xí)？
  2本案例講解中所涵蓋的知識點總括
  3核心技術(shù)點：numpy 數(shù)組
  4入門知識點：numpy索引
  5統(tǒng)計知識點：numpy統(tǒng)計
  6數(shù)組知識點：數(shù)組的乘積
  7入門策略：最優(yōu)化問題
  8核心基礎(chǔ)：數(shù)據(jù)基礎(chǔ)
  9可視化的實現(xiàn)：matplotlib可視化基礎(chǔ)
  10智能算法：KNN算法
  11智能算法:knn分類器
  12入門示例：簡單線形回歸
  13入門示例：簡單線形方程推導(dǎo)
  14入門示例：簡單回歸代碼實現(xiàn)
  15入門示例：多元線性方程
  16拔高示例：多元線程實現(xiàn)