课程大纲

第一章. 机器学习和深度学习系统设计方法论

1、机器学习和深度学习的概念和区别

2、人工智能算法工程师的日常工作流程

3、传统机器学习的系统设计方法

4、人工智能时代深度学习的系统设计方法

第二章. 机器学习和深度学习人工智能的常见开发流程

1. 洞悉公司业务业务逻辑痛点，抽象出计算机解决方法方案
2. 数据清洗和预处理
3. 构建数据集，数据特征工程
4. 模型选择，模型训练，模型评估，模型测试
5. 开线效果评估
6. 线上开发性能测试，运行上线

第三章. 机器学习的离线训练

1、模型选择的标准

2、网格搜索，交叉验证法，留出法

3、面临的问题：类目样本不均衡，样本数量不够，样本质量不佳，如何解决？

3.1类目不均衡：Facol Loss

3.2样本数量不够：数据增强

3.3样本质量不佳：

4、模型衡量标准：准确率，召回率，F1，AUC和ROC的概念

第四章. 机器学习的在线预测

1. 高并发，低延时
2. 灰度测试，A/B Test 分桶对比
3. 效果好坏标准：CTR点击率，平均停留时长，PV/UV变化等

第五章. 机器学习模型的线上实时反馈机制

1. 在线实时反馈
2. 在线学习微调机制

第六章. 人工智能整体是一个复杂，反馈的系统工程