01章利用文本分析进行网络舆情分析和命名实体识别
01-01文本分析简介及文本分析流程
01-02中文分词方法
01-03中文词性标注方法
01-04关键词提取方法
01-05命名实体识别
01-06文本分析模型实作与比较: 以网络舆情分析模型及命名实体识别为例
02章利用文本分析进行新闻文件分类及新闻文件摘要，利用深度学习模型建置人脸识别及物体侦测模型
02-01新闻文件分类方法
02-02中文文本摘要方法
02-03人脸识别及应用
02-04OpenCV及Dlib简介
02-05人脸侦测及人脸68个特征撷取
02-06人脸识别(利用ResNet)
02-07物体检测与定位及应用
02-08目标检测技术概述
02-09YOLOv3简介及COCO 数据集(80类people (人)，bicycle(自行车)，car(汽车)...等数据)
02-10物体定位
02-11物体检测
02-12文本分析及深度学习模型实作与比较: 以新闻文件分类与摘要及人脸识别及物体侦测模型为例
03章利用半监督学习技术进行电信业客户流失模型的建置，利用深度学习技术进行信用卡盗刷预测模型建置
03-01传统监督学习方法与非监督学习方法
03-02半监督学习方法概述
03-03半监督学习模型实作与比较: 以电信业客户流失模型为例
03-04智能反欺诈概述
03-05反欺诈手法
03-06机器学习方法
03-07深度学习方法
03-08深度学习模型实作与比较: 以信用卡盗刷预测模型为例
04章以利润最大化为目标之产品营销模型的建置，利用集成学习建置小额信贷及信用风险预测模型
04-01传统模型评估方法与利润最大化评估方法
04-02增益图与利润图
04-03利润最大化模型实作与比较: 以产品营销模型为例
04-04传统学习与集成学习
04-05集成学习的分类：模型融合与机器学习元算法
04-06模型融合模型建置(多数法(Max Voting)、平均法(Averaging)、加权平均法(Weighted Averaging)、堆叠法(Stacking)、混合法(Blending))
04-07机器学习元算法模型建置(袋装法(Bagging)、袋装通用法(Bagging meta-estimator)、随机森林(Random Forest)、提升法(Boosting)、Adaboosting算法、Gradient Boosting算法、XGBoosting算法)
04-08集成学习方法实作与比较: 以小额信贷及信用风险预测模型为例