Udacity 人工智能编程基础

Python 入门

1、为何学习 Python
2、数据类型和运算符
3、控制流
4、函数
5、脚本编写
6、Anaconda
7、Jupyter Notebooks
8、项目0：我的微信好友 https://github.com/udacity/AIPND-cn-trial
9、Lab：分类图像 https://github.com/udacity/AIPND/tree/master/intropylab-classifying-images
10、项目：控制迷宫寻宝机器人 https://github.com/udacity/AIPND_P1_Robot_Controller

Numpy, Pandas, Matplotlib

1、Numpy

Numpy 简介
为何要使用 Numpy
创建和保存 NumPy ndarray
使用内置函数创建 ndarray
访问和删除 ndarray 中的元素及向其中插入元素
ndarray 切片
布尔型索引、集合运算和排序
算术运算和广播
迷你项目：均值标准化和数据分离

2、Pandas

Pandas 简介
为何要使用 Pandas
创建Pandas Series
访问和删除 Pandas Series 中的元素
对 Pandas Series 执行算术运算
创建 Pandas DataFrame
访问 Pandas DataFrame 中的元素
处理 NaN
将数据加载到 DataFrame 中
迷你项目：股票数据的统计信息

3、Matplotlib 和 Seaborn - 单变量

简介
整洁的数据
条形图
绝对频率和相对频率
计算缺失的数据
饼图
直方图
为离散数据选择图形
描述统计学、离散群和坐标轴范围
标尺和变换
补充内容：核密度估计

4、Matplotlib 和 Seaborn - 多变量

课程简介
散点图和相关性
重叠、透明度和抖动
热图
小提琴图
箱线图
簇状柱形图
分面
调整单变量图形
折线图
附录：多变量可视化
补充内容：集群图
补充内容：轴须图和带状图

5、探索电影数据集 https://github.com/udacity/AIPND_CN_P2_Explore_Movie_Dataset

线性代数基础

1、简介

目标
线性代数的本质
了解使用 LaTex
Latex cheatsheet：https://www.authorea.com/users/77723/articles/110898-how-to-write-mathematical-equations-expressions-and-symbols-with-latex-a-cheatsheet
LaTeX Cookbook:
http://www.personal.ceu.hu/tex/cookbook.html#inline

2、向量

什么是向量（一）
什么是向量（二）
什么是向量（三）
向量 - 数学定义
转置
大小和方向
场中的运算
向量加法
标量和向量乘法

3、线性组合

线性组合（一）
线性组合（二）
线性组合和张成
线性相关性
求解简化的方程组

4、线性变换和矩阵

什么是矩阵
矩阵加法
矩阵的标量乘法
放行矩阵的乘法
矩阵乘法 - 一般情况
线性变换和矩阵（一）
线性变换和矩阵（二）
线性变换和矩阵（三）

5、向量Lab - 绘制向量

6、线性组合 Lab - 使用 Numpy.linalg 求解线性问题

7、线性映射 Lab - 可视化矩阵乘法

8、神经网络中的线性代数

简介
什么是神经网络
神经元如何相连
将所有概念关联到一起
前馈流程 - 计算 h
前馈流程 - 计算 y

9、线性代数：机器学习背后的优化原理 https://github.com/udacity/Linear-Algebra-cn

神经网络

1、神经网络简介

简介
分类问题
分类问题2
线性界线
更高维度的界线
感知器
为何称为神经网络
用感知器实现简单逻辑单元
感知器技巧 - 计算机如何学习分类
感知器算法
非线性界线
误差函数
误差函数与梯度下降
离散型与连续型 - 为什么使用 sigmoid 函数
多类别分类与 Softmax 函数
One-Hot 编码
最大似然率
最大概率化
交叉熵 1 - 损失函数
交叉熵 2 - 损失函数
多类别交叉熵
Logistic 回归
梯度下降实现
梯度下降算法推导与实现
Lab：梯度下降：https://github.com/udacity/deep-learning/tree/master/gradient-descent
感知器和梯度下降
连续型感知器
非线性数据
非线性模型
神经网络结构
前向反馈
反向传播
Lab：分析学生数据：https://github.com/udacity/deep-learning/tree/master/student-admissions

2、训练神经网络

训练优化
测试
过拟合和欠拟合
早期停止
正则化
正则化2
Dropout
局部最低点
随机重新开始
梯度消失
其他激活函数
Batch 和随机梯度下降
学习速率衰退
动量
世界各地的误差函数
3、通过 PyTorch 进行深度学习
PyTorch 简介
PyTorch 张量
定义网络
训练网络
Fashion-MNIST 练习
推理和验证
保存和加载训练过的网络
使用 Torchvision 加载数据集
迁移学习

五、图像分类项目
1、实战项目 - 图像分类：https://github.com/udacity/aipnd-project