peng 老师
·2021年某BAT学术合作人才计划
·CCFA会审稿人
研究方向：长期从事多模态研究
·负责直播答疑
21天！小白入门人工智能的高效路径！
课程大纲
AI集训
课程介绍
3周入门
AI入门高
系统梳理算法方向所需基础知
识，21天带你入门
效捷径
配备督学班主任、每日练习、阶段
测评、答疑老师。解决初学者入门
时犯懒、效率低、没人答疑的难题
学问练测
学问练测
4维提升
AI集训
课程服务
魔鬼班主任严格督学
每日练习与阶段测评
直播答疑与杠群答疑结合
AI集训
模块1:编程与数理基础
python学习内容
Part1
绪论和环境配置、基础语法、基本数据类型、组合数据类型、控
制语句、函数（面向过程），类（面向对象）、文件及异常和
模块、有益的底层探索、重要的Python标准库、重要的第三方
库(Numpy、Pandas、Matplotlib、Sklearn)、算法分析
Python学习成果
Part2
对Python基础理论知识有整体的认知；
能自己动手完成一些常见实例练习
能自己刷leetcode
数学学习内容
Part3
线性代数、微积分、概率论，最优化
数学学习成果
Part4
掌握线性变换，进而有助于理解深度学习中的维度变化
掌握求偏导的方法，进而有助于理解反向传播算法
掌握概率论的基本知识，进而有助于理解朴素贝叶斯等算法
学习周期：1周
Part5
模块1:编程与数理基础
python学习内容
Part1
绪论和环境配置、基础语法、基本数据类型、组合数据类型、控
制语句、函数（面向过程），类（面向对象）、文件及异常和
模块、有益的底层探索、重要的Python标准库、重要的第三方
库(Numpy、Pandas、Matplotlib、Sklearn)、算法分析
Python学习成果
Part2
对Python基础理论知识有整体的认知；
能自己动手完成一些常见实例练习
能自己刷leetcode
数学学习内容
Part3
线性代数、微积分、概率论，最优化
数学学习成果
Part4
掌握线性变换，进而有助于理解深度学习中的维度变化
掌握求偏导的方法，进而有助于理解反向传播算法
掌握概率论的基本知识，进而有助于理解朴素贝叶斯等算法
学习周期：1周
Part5
模块2：机器学习基础
学习内容
Part1
线性回归、逻辑回归、决策树、朴素贝叶斯、支持向量机、聚类
算法、主成分分析、集成学习
学习成果
Part2
对主流机器学习模型核心理论有整体的认知
基于Python语言完成机器学习相关算法实现练习
学习周期：1周
Part3
模块3：深度学习基础
神经网络学习内容
Part1
神经网络基础与多层感知机、卷积神经网络、循环神经网络
神经网络学习成果
Part2
对经典的深度学习模型有整体的认识
能自己实现常见的深度学习模型
Pytorch 框架学习内容
Part3
Pytorch的tensor（张量）、数捆读取机制、torchvision和
transform、torchtext.模型创建与nn.module、歌活函数层
、损失函数、优化器、正则化网络层、可视化工具-
TensorBoard
Pytorch框架学习成果
Part4
熟悉Pytorch框架
学习内容
Part1
线性回归、逻辑回归、决策树、朴素贝叶斯、支持向量机、聚类
算法、主成分分析、集成学习
学习成果
Part2
对主流机器学习模型核心理论有整体的认知
基于Python语言完成机器学习相关算法实现练习
学习周期：1周
Part3
模块3：深度学习基础
神经网络学习内容
Part1
神经网络基础与多层感知机、卷积神经网络、循环神经网络
神经网络学习成果
Part2
对经典的深度学习模型有整体的认识
能自己实现常见的深度学习模型
Pytorch 框架学习内容
Part3
Pytorch的tensor（张量）、数捆读取机制、torchvision和
transform、torchtext.模型创建与nn.module、歌活函数层
、损失函数、优化器、正则化网络层、可视化工具-
TensorBoard
Pytorch框架学习成果
Part4
熟悉Pytorch框架
