第一周：
AI和AI子字段介绍
什么是机器学习，什么是AI
用于AI/ML开发的标准软件和工具
AI/ML标准硬件
IPython和IPython Notebook
概念和如何使用API
微积分：
衍生品简介
链式法则
其他微积分概念
Linear Algebra线性代数
矩阵概念和Python实现
数据和硬件
按位运算
第二周：
生产代码的SOLID原则
Memoization
关于Numpy
GPU架构
图概念
胡迪尼和虚拟环境
迷宫求解算法
张量简介
数据结构
第三周：
数据简介
Web scrapping
对工程师有用的资源
MLOPS简介
Pandas介绍
Matplotlib简介
Seaborn介绍
探索性数据分析
NOIR数据概念
数据管道
第四周：
机器学习入门
监督学习
线性回归
训练集
Scikit learn简介
多元线性回归
评估指标
Logistic回归
混淆矩阵
ROC和AUC图
熵
Houdini中的Logistic回归
第五周：
偏差和方差
偏导数
梯度下降
学习率
监督和无监督学习
特征工程：缩放、归一化、标准化
ML模型探索
朴素贝叶斯
决策树
随机森林
K近邻
支持向量机
以下是详细的每周分解：
第一周：
AI和AI子字段介绍
什么是机器学习，什么是AI
用于AI/ML开发的标准软件和工具
AI/ML标准硬件
IPython和IPython Notebook
概念和如何使用API
微积分：
衍生品简介
链式法则
其他微积分概念
Linear Algebra线性代数
矩阵概念和Python实现
数据和硬件
按位运算
第二周：
生产代码的SOLID原则
Memoization
关于Numpy
GPU架构
图概念
胡迪尼和虚拟环境
迷宫求解算法
张量简介
数据结构
第三周：
数据简介
Web scrapping
对工程师有用的资源
MLOPS简介
Pandas介绍
Matplotlib简介
Seaborn介绍
探索性数据分析
NOIR数据概念
数据管道
第四周：
机器学习入门
监督学习
线性回归
训练集
Scikit learn简介
多元线性回归
评估指标
Logistic回归
混淆矩阵
ROC和AUC图
熵
Houdini中的Logistic回归
第五周：
偏差和方差
偏导数
梯度下降
学习率
监督和无监督学习
特征工程：缩放、归一化、标准化
ML模型探索
朴素贝叶斯
决策树
随机森林
K近邻
支持向量机
第六周：
矢量存储、矢量数据库
无监督学习
k均值聚类
主成分分析
推荐系统
DBSCAN
基本概念：减少损失
泛化
表示
正则化
排名
效率
训练模型
改进模型
高级数据概念
Houdini数据可视化工具
第七周：
深度学习简介
神经网络数学、理论与实现
神经网络架构
基本神经网络感知器
多层感知器
自定义神经网络模型
激活函数
反向传播
Houdini中的神经网络
卷积神经网络
构建神经网络
第八周：
ML框架简介：
TensorFlow
PyTorch
带有这些库的NN模型
云中心
生产建模简介
ML云服务
用Pytorch和Tensorflow做了很多实验
适用于ML的CUDA架构
第九周：
高级模型架构
ML操作在实践中
系统设计
生产中的ML
Docker简介
包装模型
迁移学习简介
模型微调
混合精度
量化
硬件加速
第10周：
NLP简介
NLP概念和架构
变压器介绍和实施
LLM介绍
微调LLms，
应用程序，如：
情感分析
文本翻译
文本自动完成
文本摘要
快速的工程设计和情境学习
用于NLP的生成AI
第一步：Generative AI
计算机视觉的第一步
游戏开发AI
在Houdini写论文
