面试 AI 算法岗，项目实战与比赛经验到底能为你加成多少？

比赛1：房价预测（预测比赛初级入门）

Week  1

本周学习目标： Kaggle入门，了解kaggle竞赛的类别、类型、技巧。并注册自己的kaggle账号以及本地化notebook的知识点。了解赛题要解决的问题，数据的说明以及介绍，要运用的算法。学习并掌握数据的读取与显示、查看数据的缺失情况、查看数据的类型情况、查看特征之间的相关性。

【技能课】 kaggle账号注册与竞赛入门

【工具课】 账号注册以及本地化jupyter notebook

【思路课】 比赛思路课（kaggle房价预测）

【技能课】 数据清洗以及数据处理

【直播】 直播答疑+重点知识讲解

【实战作业】 注册好自己的Kaggle账号，本地化notebook，将数据下载到本地， 利用pandas来显示数据信息

Week  2

本周学习目标： 构建一个基本的b aseline并提交到kaggle上并有成绩，运用特征工程知识对成绩提高到Top80%，用模型的集成知识对成绩提高到Top20%。

【思路课】 构建一个基本baseline提交并且有成绩（包括模型的构建、数据预处理、结合赛题的部分特征工程知识）

【技能课】 特征工程知识部分讲解

【技能课】 特征工程对baseline的提高

【技能课】 模型集成原理与实践

【直播】 直播答疑+重点知识讲解+比赛复盘和总结

【实战作业】 完成一个基本的baseline提交到kaggle上然后有成绩，参考老师提供的代码方案，运用所学知识尝试把排名提高到Top10%

技能点：

✔ 熟悉Kaggle竞赛平台并运用其来作比赛

✔ 学会利用Pandas等进行数据的读取以及数据的处理等

✔ 学习利用Sklearn进行模型的回归预测、分类等

✔ 学习数据的EDA分析以及数据清洗、数据预处理等

比赛2：预测未来销售（预测比赛中级进阶）

Week  3 

本周学习目标： 了解赛题的背景资料、数据文件的分布并下载数据和本地导入，构建baseline提交，利用查找到的背景资料来进行特征工程尝试提高成绩。

【思路课】 赛题解读以及数据下载导入、赛题的理解分析

【技能课】 特征工程以及构建baseline

【直播】 直播答疑及重点知识讲解

【实战作业】 搜集赛题背景资料，形成赛题报告；构建baseline并将成绩提高到50%以上

Week  4

本周学习目标： 在上周的基础上进行新的数据预处理和数据的特征工程的方式，包括：数据清洗、数据的特征重做、以及数据特征的增加等，最后利用xgb算法去进行拟合，并预测之后得到结果,尝试将成绩提高到Top100。

【技能课】 特征工程的数据预处理对排名的提升（1）

【技能课】 特征工程的数据预处理对排名的提升（2）

【技能课】 模型的选择以及数据归一化对结果的影响

【直播】 直播答疑+重点知识讲解+比赛复盘和总结

【实战作业】 利用本周所学知识，将成绩至少提高到 Top100

技能点：

✔ 学习特征工程与一些基础的特征构建方法

✔ 学习模型集成的一些基础知识

✔ 学习数据挖掘的常用知识点

比赛3：地震预测（预测比赛高级挑战）

Week 5 

本周学习目标： 授人以鱼不如授人以渔，掌握一个赛题的基本解决思路，实现和看懂baseline，对baseline代码进一步做特征工程，将排名提升到银牌区

【思维课】 赛题背景以及数据的EDA

【实操课】 对baseline代码进一步做特征工程

【直播】 直播答疑+重点知识讲解+完整预测比赛的复盘和总结

【实战作业】 根据提供的代码，尝试将比赛成绩提高到银牌区

比赛4：基于卷积神经网络的表情识别（CV方向）

Week  6

本周学习目标： 了解本次比赛的题目和相关背景，掌握计算机视觉主要是来解决哪些问题，以及一般使用哪些工具；了解卷积的运算和经典架构，并掌握卷积的计算过程；学习Tensorflow和keras的基本编程方法，书写自己的深度神经网络。

【思路课】 赛题解读与利用kernel进行比赛

【工具课】 Google Colab的使用指导

【技能课】 卷积的基础知识和常用模型架构

【思路课】 比赛思路课

【工具课】 TensorflowKeras和OpenCV

【实战作业】 使用Tensorflow和Keras分别实现一个卷积神经网络，对fashion-mnist数据集进行分类

Week  7

本周学习目标： 根据baseline的代码举一反三，引入验证集，修改深度神经网络模型，优化方法，损失函数等，使的模型达到一个更好的效果。

【技能课】 数据准备和增强

【技能课】 构建基础baseline模型

【直播】 直播答疑+重点知识讲解+比赛复盘和总结

【实战作业】 根据讲师教授的方法和思路，尝试自己 改进baseline模型

技能点：

✔ 熟悉图像比赛流程

✔ 学会利用Python写生成器

✔ 学会利用Sklearn辅助深度学习建模

✔ 学会图像数据可视化

✔ 学习模型集成的一些基础知识

✔ 学会卷积神经网络的基础知识和常用模型

✔ 学会常用深度学习框架（tensorflow）

比赛5：“达观杯”文本智能处理挑战赛（NLP方向）

Week  8

Week  8（传统方法讲解）

【思路课】 赛前介绍和准备

【思路课】 赛题解读及比赛思路介绍

【技能课】 构建一个基础baseline模型

【技能课】 构造验证集和模型交叉验证

【直播】 直播答疑+重点知识讲解

【实战作业】 根据讲师教授的方法和思路，并提交结果

Week 9

【工具课】 快速入门tensorflow2.0

【技能课】 数据预处理

【技能课】 word2vec简介及word2vec词向量构建

【技能课】 实现一个深度学习的baseline

【技能课】 构造DNN模型验证集以及模型交叉验证

【实战作业】 根据讲师教授的方法和思路，并提交结果

Week 10

【思路课】 深度学习的模型优化

【技能课】 模型对比分析

【技能课】 参数调节与一些Tips

【直播】 直播答疑+重点知识讲解+比赛复盘和总结

【实战作业】 提交到比赛平台上然后有成绩，参考老师提供的代码方案，运用所学知识尝试把排名提高到Top1%

技能点：

✔ 学会解读NLP任务

✔ 学习利用Pandas、Numpy等进行数据的读取以及数据的处理等

✔ 学习利用TFIDF构建文本特征，并学习利用sklearn的逻辑回归、SVM等进行文本分类✔ 学习利用word2vec模型构建文本词向量

✔ 学习利用DNN模型构建文本分类模型

✔ 学习模型集成的一些基础知识

比赛6：打一场自己正在开的新比赛

预计3月份左右

NLP 方向比赛：主题暂定

【直播】 赛题分析及解读

【直播】 赛题分享

【直播】 赛题进阶

学员讨论方案，并比较不同方案的提升效果，找出原因，并寻找有无更好的方案。

老师带打，一起参加新比赛，会和你一起努力！带你冲榜刷排名，获得能写进简历的项目经验！ （由于正常比赛一般都是三个月的周期，把课程学完正好是三个月以后，只能根据当时最新的比赛决定打哪场）