很多学习机器学习和深度学习的同学，follow的学习教程往往理论和实践是分开的，这就容易导致学习了相关理论但是不知道如何应用的问题
学习机器学习深度学习的过程中，理论的重要性不用过多强调，其次在实战中处理数据，搭建模型，训练模型，评估模型，结果可视化等每个环节也都应该去体验一下
这一期主要是给大家推荐机器学习理论与实战教程，适合刚开始入门学习的同学认真学习理论，以及想要检验自己当前学习水平的同学进行练手
文章中所有的数据和资料，可添加小助手无偿分享~
扫码添加小助手即可无偿获取~
![]()
也可以关注“AI技术星球”公众号，关注后回复“221C”获取。
下面具体来介绍一下这个教程：
第一章：概述
这一部分主要介绍机器学习核心算法与理论基础，包括模型训练中的梯度下降与正则化，基于MNIST数据集的分类算法实战，支持向量机，决策树，集成学习模型，还有PCA等降维方法，以及K-means等无监督学习模型，最后介绍波士顿房价预测的端到端项目
第二章：神经网络
这一部分主要介绍深度学习入门与进阶，具体内容包括Keras入门，神经网络模型参数初始化，BN归一化，dropout, 正则化等训练手段，还有自定义模型应该包含的模块，最后介绍数据加载的内容
第三章：计算机视觉
这一部分主要介绍CNN架构与图像处理实战，从CNN的模型结构开始，包括卷积层，池化层和全连接层，残差连接的操作，进一步介绍卷积的经典框架LeNet, VGG, Inception，还有迁移学习中的预训练模型与微调，最后是Grad-CAM和特征图的可视化
第四章：序列模型
这一部分主要介绍序列模型，主要包括RNN系列模型，比如LSTM, GRU, WaveNet等时间序列模型，LSTM和GRU模型的双向，堆叠，添加注意力等进阶神经网络，然后再介绍文本处理，包括词嵌入，one-hot编码，情感分析，最后是CNN应用于时间序列，CNN+RNN混合
第五章：高级主题
这一部分主要介绍Keras高级API与工程化实践，funtional API包括DAG, 多输入输出，然后介绍TensorBoard和早停策略，最后介绍模型优化，包括超参调优，模型集成
第六章：生成模型
这一部分主要介绍生成模型，具体包括GAN神经网络，生成对抗网络原理与实现非常重要，现在应用也很广泛，还有字符级语言模型用于文本生成，最后是神经网络可视化艺术DeepDream
第七章：强化学习
这一部分主要介绍强化学习相关理论，首先介绍MDP基础，包括状态，动作，奖励，策略等概念，其次介绍Q-learning的值函数与探索利用，再介绍DQN, A2C, PPO等算法，梯度策略Actor-Critic，奖励函数设计与优化，最后是DQN，PPO, SAC, TD3等算法的动手实践
第八章：理论笔记
这一部分主要介绍部分理论笔记，主要包括30+的激活函数详解与对比，其次介绍分类，回归，排序等模型的损失函数，最后是网络选型，通用流程的架构笔记
第九章：实践项目
这一部分主要介绍从基础到高级的完整AI实战项目，这部分项目包括Titanic生存预测，Otto多分类问题，SVM进行文本分类，XGBoost高级技巧，还有CNN的计算机视觉项目，LSTM模型进行情感分析，Transformer模型的文本分类，命名实体识别，机器翻译，最后是温度预测，股票预测的时间序列问题，以及推荐了几个kaggle上面的竞赛
学完上面内容，能够覆盖机器学习，深度学习的基础理论知识以及相应的实战项目的需要，后续可以去看一些论文来增加对某个方向的认识
)
)