考试时间：2019.8.24
本人图像处理与模式识别专业，有一定的基础。
10多天之后参加百度深度学习工程师认证，记录中
考试参考资源：
https://ai.baidu.com/paddlepaddle/openCourses（个人感觉讲的不是很好，有点无趣（背书），最好是结合博客及相关文献进行了解）
第一天：
机器学习入门
第1章
监督学习与非监督学习简介
第2章
经典监督学习算法-决策树
第3章
经典监督学习算法-回归算法
第4章
经典非监督学习算法-Kmeans聚类
第5章
经典非监督学习算法-期望最大算法（EM算法）
第6章
课程总结
深度学习基础
第1章
正则化概述
第二天
机器学习模型
第1章
回归模型
第2章
分类模型
第3章
分类模型（二）
Python基础入门
第三天
机器学习模型
第4章 聚类模型
第5章 降维模型
1.奇异值分解
2.PCA降维
3.LDA
第6章 机器学习模型复杂度度量
第7章 机器学习模型评估指标
回归问题评估指标：
分类问题评估指标：
第四天
AI核心技术
第1章
迈入现代人工智能的大门
第2章
机器能“看”的现代技术
第3章
循环网络原理、模型及应用 (语音识别，自然语言处理）
第4章
CNN和RNN应用
AI趣味课堂
第五天
KNN算法：https://www.cnblogs.com/jyroy/p/9427977.html
朴素贝叶斯：https://www.cnblogs.com/lliuye/p/9178090.html
LR算法：https://www.jianshu.com/p/f89a19df2995
SVM算法
CART算法：https://blog.csdn.net/baimafujinji/article/details/53269040
ＲＦ算法
Adboost算法
GBDT算法
k_means
DBSCAN
第六天
1.Bagging、ensemble、boosting关系：
https://blog.csdn.net/bymaymay/article/details/77824574
2. L1、L2范数，区别：
https://blog.csdn.net/zchang81/article/details/70208061
https://blog.csdn.net/pan060757/article/details/73321681
3.偏差、方差：
https://www.zhihu.com/question/20448464
4.衡量距离的方法有哪些：
https://www.iteblog.com/archives/2317.html
第七天
Inception系列网络
Resnet系列网络
attention机制
loss
第八天
线下课程精彩回顾
第九天
卷积计算
conv、pool反向传播
paddlepaddle学习：https://www.paddlepaddle.org.cn/start
第十天
深度学习中的数学：https://wenku.baidu.com/view/4132976d842458fb770bf78a6529647d26283458.html
1.求极限：https://wenku.baidu.com/view/dcd1a2c0ec3a87c24128c427.html
2.求积分：https://wenku.baidu.com/view/e0c4a963f5335a8102d220f5.html
3.求导数：https://wenku.baidu.com/view/8ebf99b5370cba1aa8114431b90d6c85ed3a887e.html
4.凸函数与极值：
5.最优化方法：
6.古典概率：
7.常用概率分布：
8.贝叶斯分布：
9.假设检验：
10.矩阵与向量：
11.矩阵的计算：
12.特征值与特征向量：
1.监督学习与非监督学习：https://blog.csdn.net/jwh_bupt/article/details/7654120
2.强化学习：https://blog.csdn.net/trillion_power/article/details/70992333
考试通过：
