机器学习开放基础课程是实验楼经由 Open Machine Learning Course 授权并制作的机器学习免费基础实战课。主要讲解机器学习常用的分类算法和回归算法，以及常用的数据预处理技巧。

知识图谱（Knowledge Graph）是一门前沿的交叉学科，用于将人类社会的海量知识结构化，并提供一个可理解，可解释的一个模型。本训练营将以《射雕三部曲》为例，从 0 构建起一个可以实际应用的知识图谱，在课程中你将学习 Neo4j 数据库的使用和知识图谱的构建。

本课程是《深度学习原理与 PyTorch 实战》书籍的配套实践内容。《深度学习原理与 PyTorch 实战》是一本系统介绍深度学习及开源框架 PyTorch 的入门书，全书注重实战，讲解了卷积神经网络，循环神经网络，计算机视觉，迁移学习，自然语言处理等相关知识。

TensorFlow 是由谷歌在 2015 年 11 月发布的深度学习开源工具，我们可以用它来快速构建深度神经网络，并训练深度学习模型。2019 年，TensorFlow 正式推出了 2.0 版本，也意味着 TensorFlow 从 1.x 正式过度到 2.x 时代。

自然语言处理是指对人们平时日常使用的交流语言进行处理的一项技术。自然语言处理经过多年的发展，现今可以划分为两部分内容，即：自然语言的理解和自然语言的生成。本次实验将以文本分类为目标，介绍自然语言处理相关的基础操作和应用。学习完本课程后，建议继续学习：https://www.shiyanlou.com/courses/1329

Pandas 是基于 NumPy 的数据处理工具，其提供了高效操作大型数据集所需的函数和方法，是数据分析中必不可少的模块。Pandas 百题大冲关共有 100 道练习题，不仅可以学习 Pandas 的使用，也是复习 Pandas 的必备宝典。

Flappy bird 是一款 2014 年 2 月突然爆红的趣味小游戏，玩家通过点击屏幕来控制一只小鸟飞行，并避开沿途高低不平的管子。本训练营通过学习使用纯人工操作，传统计算机视觉，深度学习这三种不同的方式来玩转 pygame 版的 flappy bird 游戏。让用户掌握 python 的基本操作，图像基本操作和深度学习相关知识。

本课程主要讲解利用 Pandas 对数据集进行快速读取、转换、过滤、分析等一系列操作。同样，Pandas 已经被证明为是非常强大的用于处理时间序列数据的工具。重点介绍所有 Pandas 在时间序列数据上的处理方法。

聚类是拥有相同属性的对象或记录的集合，属于无监督学习，K-Means 聚类算法是其中较为简单的聚类算法之一，具有易理解，运算速度快的特点。本次课程我们将使用 C++ 实现一个完整的面向对象的可并行K-Means算法。

TensorFlow 是 Google 开发的一款深度学习框架。本次课程中，我们将了解并学会使用 TensorFlow，然后利用其构建一个基础的神经网络，最后再训练用于手写字符识别的卷积神经网络。

如果你使用 Python 语言进行科学计算，那么一定会接触到 NumPy。NumPy 是支持 Python 语言的数值计算扩充库，其拥有强大的高维度数组处理与矩阵运算能力。除此之外，NumPy 还内建了大量的函数，方便你快速构建数学模型。

XGBoost 是利用 Gradient Boosting 梯度提升算法开发的机器学习工具库，其针对多语言开发并实现了高效的分布式计算过程。本课程中，我们将介绍 Gradient Boosting 原理，并应用 XGBoost 进行实战练习。

TensorBoard 是 TensorFlow 提供的一款可视化工具，其专门针对深度学习训练过程存在的可视化需求设计。本次实验中，我们将了解 TensorBoard 的功能组件和基础使用方法。

本次实验我们将介绍人工神经网络中的生物神经元，及突触间隙的学习过程。最终将实现基于hebb规则的自联想存储器。由于自联想存储器具有降低噪声，与去除不同输入间的干扰功能，在测试阶段我们将输入有噪音或遮挡的数字图片查看联想结果。

本课程通过讲解循环神经网络 RNN 基础算法及其变体算法，使你了解 RNN 基本算法的拓扑结构、循环方式，以及 RNN 变体的细胞状态和细胞状态的变化过程。

Pandas 是非常著名的开源数据处理工具，我们可以通过它完成对数据集进行快速读取、转换、过滤、分析等一系列操作。除此之外，Pandas 拥有强大的缺失数据处理与数据透视功能，可谓是数据预处理中的必备利器。本课程主要讲解使用 Pandas 进行数据分析的基本流程和基本方法。

杰克和露丝的爱情，生命的不可预料，使得泰坦尼克号的沉没即悲伤又美好。本实验将通过数据来预测船员和乘客的生还状况，包括数据清洗及可视化、模型训练及评估，以及随机森林分类器调参等内容。

存款营销是银行吸收存款的主要经营模式，通过现有数据建立模型来判断客户是否订阅存款业务，从而帮助商业银行更好的分配人力资源，提高业务量，以满足现阶段营销活动对提高营销成功率的期望。 本实验会使用spark机器学习中的逻辑回归算法，分析银行营销数据，按照机器学习开发步骤，建立逻辑回归模型，预测客户是否会存款，并评估预测模型的精确度。

自动化机器学习（Automated machine learning，简称：AutoML）是机器学习近年来发展出来的热门分支，其可以看作为一种基于人工智能的解决方案，以应对不断增长的机器学习应用场景的需要。自动化机器学习可以一定程度上降低机器学习模型的开发门槛，算法的选择、训练、调优、部署等一系列过程都可以交给自动化组件来完成。

本次课程，我们将利用基于无监督学习的自编码器对人脸数据进行特征提取，进行图片降维，利用降维后的结果作为有监督学习分类器的输入，最终利用一个三层神经网络实现人脸识别的任务。