01章利用文本分析進行網絡輿情分析和命名實體識別
01-01文本分析簡介及文本分析流程
01-02中文分詞方法
01-03中文詞性標注方法
01-04關鍵詞提取方法
01-05命名實體識別
01-06文本分析模型實作與比較: 以網絡輿情分析模型及命名實體識別為例
02章利用文本分析進行新聞文件分類及新聞文件摘要，利用深度學習模型建置人臉識別及物體偵測模型
02-01新聞文件分類方法
02-02中文文本摘要方法
02-03人臉識別及應用
02-04OpenCV及Dlib簡介
02-05人臉偵測及人臉68個特征擷取
02-06人臉識別(利用ResNet)
02-07物體檢測與定位及應用
02-08目標檢測技術概述
02-09YOLOv3簡介及COCO 數據集(80類people (人)，bicycle(自行車)，car(汽車)...等數據)
02-10物體定位
02-11物體檢測
02-12文本分析及深度學習模型實作與比較: 以新聞文件分類與摘要及人臉識別及物體偵測模型為例
03章利用半監督學習技術進行電信業客戶流失模型的建置，利用深度學習技術進行信用卡盜刷預測模型建置
03-01傳統監督學習方法與非監督學習方法
03-02半監督學習方法概述
03-03半監督學習模型實作與比較: 以電信業客戶流失模型為例
03-04智能反欺詐概述
03-05反欺詐手法
03-06機器學習方法
03-07深度學習方法
03-08深度學習模型實作與比較: 以信用卡盜刷預測模型為例
04章以利潤Z大化為目標之產品營銷模型的建置，利用集成學習建置小額信貸及信用風險預測模型
04-01傳統模型評估方法與利潤Z大化評估方法
04-02增益圖與利潤圖
04-03利潤Z大化模型實作與比較: 以產品營銷模型為例
04-04傳統學習與集成學習
04-05集成學習的分類：模型融合與機器學習元算法
04-06模型融合模型建置(多數法(Max Voting)、平均法(Averaging)、加權平均法(Weighted Averaging)、堆疊法(Stacking)、混合法(Blending))
04-07機器學習元算法模型建置(袋裝法(Bagging)、袋裝通用法(Bagging meta-estimator)、隨機森林(Random Forest)、提升法(Boosting)、Adaboosting算法、Gradient Boosting算法、XGBoosting算法)
04-08集成學習方法實作與比較: 以小額信貸及信用風險預測模型為例