做企业培训,当然要找对好讲师!合作联系

叶梓:机器学习与深度学习培训

叶梓老师叶梓 注册讲师 370查看

课程概要

培训时长 : 6天

课程价格 : 扫码添加微信咨询

课程分类 : 人工智能

课程编号 : 10014

面议联系老师

适用对象

计算机相关专业本科;或理工科本科,且至少熟悉一门编程语言。

课程介绍

【课程简介】

人工智能的浪潮正在席卷全球,各种培训课程应运而生,但真正能让学员系统、全面掌握知识点,并且能学以致用的实战课程并不多见。本课程包含机器学习、深度学习的重要概念及常用算法(决策树、关联规则、聚类、贝叶斯网络、神经网络、支持向量机、隐马尔科夫模型、遗传算法、CNN、RNN、GAN等),以及人工智能领域当前的热点。通过6天的系统学习、案例讲解和动手实践,让学员能初步迈入机器学习和深度学习的知识殿堂。

 

【课程收益】

  • 掌握数据挖掘与机器学习基本知识;
  • 掌握数据挖掘与机器学习进阶知识;
  • 掌握深度学习的理论与实践;
  • 掌握Python开发技能;
  • 掌握深度学习工具:TensorFlow、Keras等;
  • 为学员的后续项目应用提供针对性的建议。

 

【课程特点】

本课程力图理论结合实践,强调从零开始,重视动手实践;课程内容以原理讲解为根本,以应用落地为目标。课程通过大量形象的比喻和手算示例来解释复杂的机器学习理论,既能将原理充分讲懂讲透,也避免了繁复而枯燥的公式推导。

 

【课程对象】

计算机相关专业本科;或理工科本科,且至少熟悉一门编程语言。

 

【学员基础】

具备初步的IT基础知识

 

【课程大纲】(培训内容可根据客户需求调整)

时间内容案例实践与练习

Day1初识机器学习

上午

概述入门

数据预处理

概述(第一天——1)

  1. 概念与术语(人工智能、数据挖掘、机器学习)
  2. 数据挖掘的对象
  3. 数据挖掘的关键技术
  4. 知识的表达
  5. Python的安装

 

数据预处理(第一天——2)

  1. 数据清理
  2. 规范化
  3. 模糊集
  4. 粗糙集
  5. 无标签时:PCA
  6. 有标签时:Fisher线性判别

数据压缩(DFT、小波变换)

案例实践:

  1. python安装
  2. Tensorflow安装
  3. PCA的实验
  4. DFT的实验

Day1初识机器学习

下午

回归与时序分析

决策树

回归与时序分析 (第一天——3)

  1. 线性回归
  2. 非线性回归
  3. logistics回归
  4. 平稳性、截尾与拖尾
  5. ARIMA

 

决策树(第一天——4)

  1. 分类和预测
  2. 熵减过程与贪心法
  3. ID3
  4. C4.5
  5. 其他改进方法

决策树剪枝

案例实践:

  1. 回归的实验
  2. ARIMA预测实验
  3. 决策树的实验

 

Day2机器学习中的典型算法

上午

聚类

关联规则

朴素贝叶斯与KNN

聚类(第二天——1)

  1. 监督学习与无监督学习
  2. K-means与k-medoids
  3. 层次的方法
  4. 基于密度的方法
  5. 基于网格的方法
  6. 孤立点分析

 

关联规则(第二天——2)

  1. 频繁项集
  2. 支持度与置信度
  3. 提升度
  4. Apriori性质
  5. 连接与剪枝

 

朴素贝叶斯与KNN(第二天——3)

  1. KNN
  2. 概率论基础:条件概率、联合概率、分布、共轭先验。
  3. “概率派”与“贝叶斯派”
  4. 朴素贝叶斯模型

 

案例实践:

  1. 鸢尾花数据的聚类
  2. 超市购物篮——关联规则分析
  3. 朴素贝叶斯案例:皮马印第安人患糖尿病的风险

Day2机器学习中的典型算法

下午

极大似然估计与EM算法

性能评价指标

极大似然估计与EM算法(第二天——4)

  1. 极大似然估计
  2. 对数似然函数
  3. EM算法

 

性能评价指标(第二天——5)

  1. 准确率;精确率、召回率;F1
  2. 真阳性率、假阳性率
  3. 混淆矩阵
  4. ROC与AUC
  5. 对数损失
  6. Kappa系数
  7. 回归:平均绝对误差、平均平方误差
  8. 聚类:兰德指数、互信息
  9. k折验证

案例实践:

  1. 正态分析的参数估计
  2. EM算法应用案例:双正态分布的参数估计
  3. 绘制ROC并计算AUC、F1
  4. 绘制拟合曲线,计算拟合优度

Day3神经网络专题

上午

BP神经网络

模拟退火算法与其他神经网络

BP神经网络 (第三天——1)

  1. 人工神经元及感知机模型
  2. 前向神经网络
  3. sigmoid
  4. 径向基函数神经网络
  5. 误差反向传播

 

模拟退火算法与其他神经网络 (第三天——2)

  1. 模拟退火算法
  2. Hopfield网络
  3. 自组织特征映射神经网络(SOM)
  4. 受限布尔兹曼机

案例实践:

  1. 可以手算的神经网络
  2. 神经网络模拟一个圆锥曲面
  3. “货郎担”问题(模拟退火算法)
  4. 识别破损的字母(Hopfield网络)
  5. 聚类的另一种解法(SOM)

Day3神经网络专题

 

下午

机器学习中的最优化方法

遗传算法

机器学习中的最优化方法(第三天——3)

  1. 参数学习方法
  2. 损失函数(或目标函数)
  3. 梯度下降
  4. 随机梯度下降
  5. 牛顿法
  6. 拟牛顿法

 

遗传算法 (第三天——4)

  1. 种群、适应性度量
  2. 交叉、选择、变异
  3. 基本算法

案例实践:

  1. 随机梯度下降的例子
  2. 牛顿法求Rosenbrock(香蕉函数)的极值
  3. “同宿舍”问题:遗传算法

 

Day4机器学习进阶

上午

支持向量机

隐马尔科夫模型

支持向量机 (第四天——1)

  1. 统计学习问题
  2. 支持向量机
  3. 核函数
  4. 多分类的支持向量机
  5. 用于连续值预测的支持向量机

 

隐马尔科夫模型(第四天——2)

  1. 马尔科夫过程
  2. 隐马尔科夫模型
  3. 三个基本问题(评估、解码、学习)
  4. 前向-后向算法
  5. Viterbi算法
  6. Baum-Welch算法

 

案例实践:

  1. SVM:iris的三个分类
  2. HMM示例:天气与地表积水、罐中的彩球
  3. HMM之前向算法:掷骰子的序列
  4. HMM之viterbi算法:是否生病了?

Day4机器学习进阶

下午

文本挖掘

从LSA到LDA

文本挖掘(第四天——3)

1、文本分析功能

2、文本特征的提取

4、TF-IDF

5、文本分类

5、文本聚类

 

从LSA到LDA(第四天——3)

  1. LSA
  2. pLSA
  3. LDA

 

案例实践:

  1. 英文文本分析;
  2. 中文文本分析:《绝代双骄》
  3. 中文语句情感分析
  4. LSA和LDA的比较

 

Day5机器学习进阶与深度学习初步

上午

利用无标签的样本

集成学习

利用无标签的样本(第五天——1)

  1. 半监督学习
  2. 直推式学习
  3. 主动学习

 

集成学习(第五天——2)

  1. bagging
  2. co-training
  3. adaboost
  4. 随机森林
  5. GBDT

案例实践:

  1. 半监督学习:SVM标签扩展;
  2. 主动学习:手写数字

3、bagging、adaboost、RF、GBDT的例子

Day5机器学习进阶与深度学习初步

下午

强化学习

深度学习-1

强化学习(第五天——3)

  1. agent的属性
  2. exploration and exploitation
  3. Bellman期望方程
  4. 最优策略
  5. 策略迭代与价值迭代
  6. Q学习算法

 

深度学习-1(第五天——4)

  1. 连接主义的兴衰
  2. 深度学习与神经网络的区别与联系
  3. 目标函数
  4. 激励函数

学习步长

案例实践:

  1. 强化学习示例:走迷宫
  2. 强化学习:谷底的小车
  3. 深度学习示例:模式识别

Day6深度学习

上午

深度学习-2

深度学习-3

深度学习-2(第六天——1)

  1. 优化算法
  2. Adagrad
  3. RMSprop
  4. Adam
  5. 避免过适应

 

深度学习-3(第六天——2)

  1. 典型应用场景
  2. CNN
  3. 各种CNN
  4. RNN

LSTM、GRU

案例实践:

  1. CNN的准备示例
  2. CNN处理MNIST手写数字数据集
  3. RNN准备示例
  4. RNN分析股票趋势
  5. LSTM的准备示例

 

Day6深度学习

下午

深度学习-4

  1. GAN
  2. DQN

 

案例实践:

  1. DQN结合CNN:“flappy bird”

 

【授课环境】

讲课环境要能上网

叶梓老师的其他课程

• 叶梓:机器学习、深度学习与强化学习
【课程对象】理工科本科及以上,且至少了解一门编程语言。 【课程大纲】(培训内容可根据客户需求调整)时间内容案例实践与练习Day1上午准备工作 准备工作决策树准备工作(1)概念与术语Python(Anaconda)的安装Pycharm的安装与使用Jupyter Notebook的安装与使用Tensorflow与pytorch的安装Opencv、Sklearn工具包的运用 决策树(2)分类和预测熵减过程贪心法ID3与C4.5其他改进方法决策树剪枝案例实践:Anaconda安装Pip install的技巧Tensorflow-GPU的安装pytorch的安装Jupyter Notebook的使用Opencv的基本例子Day1下午基础模型 聚类BP神经网络性能评价指标聚类(3)监督学习与无监督学习K-meansk-medoids判断最优聚类个数的调参方法基于层次、密度、网格的方法 BP神经网络 (4)人工神经元及感知机模型Sigmoid激活函数前向神经网络的架构梯度下降误差反向传播详解 性能评价指标(5)精确率;P、R与F1ROC与AUC对数损失泛化性能评价:k折验证验证案例实践:验证一下:聚类算法是不稳定的手肘法分析NBA球队的最佳聚类个数各种聚类方式的图形化展示皮马印第安人糖尿病风险:验证多种模型绘制ROC并计算AUC手算神经网络BP算法只用numpy,手推BPNNDay2上午深度学习基础 支持向量机深度学习基础知识 支持向量机 (1)“双螺旋”问题基本模型与惩罚项求解对偶问题核函数:映射到高维从二分类到多分类用于连续值预测的支持向量机 深度学习基础知识(2)连接主义的兴衰深度学习与神经网络的区别与联系目标函数与激励函数学习步长权重初始化权重衰减(Weight Decay)梯度下降的方法:Adagrad \ RMSprop \ Adam避免过适应 案例实践:SVM实现人脸识别应用通过深度BP网络实现手写数字的识别各种梯度下降方法的实战效果Batch normalization的实战效果Day2下午图像分类 CNN 图像分类CNN图像分类CNN(3)图像分类概述AlexNetZF-Net卷积层的误差反向传播池化层的误差反向传播VGG(5层变为5组)迁移学习GoogLenet和Inception模块模型退化与ResNetDenseNet(充分利用特征)最新的efficientnet 案例实践:VGG各层的可视化展现迁移学习:识别猫和狗Resnet用于图像分类Day3上午目标检测 二阶段目标检测与一阶段目标检测 二阶段目标检测(1)目标检测项目介绍R-CNNSPPNET(全图卷积、SPP层)Fast-RCNN(多任务)Faster-RCNN(RPN)一阶段目标检测(2)YOLO-v1(一切都是回归)YOLO -v2(9000)YOLO -v3(多尺度) 案例实践:基于Faster-RCNN的通用目标检测示例基于YOLO v3的通用目标快速检测示例 Day3下午人体姿态识别 最新的一阶段目标检测(3)YOLO -v4YOLO -v5YOLO -v6/v7 人体姿态识别(4)早期人体姿态识别AlphaPoseOpenPoseRMPE案例实践:DeepSOCIALRMPE的演示Day4上午自然语言处理 自然语言处理初步隐马尔科夫模型自然语言处理初步(1)语言模型Bi-Gram与N-Gram机械分词与统计分词词性标注命名实体识别情感分析 隐马尔科夫模型(2)HMM形式化定义向前向后算法解评估问题Viterbi算法处理解码问题鲍姆韦尔奇算法解学习问题案例实践:jieba的分词效果《绝代双骄》人物关系分析SnowNLP:褒义的中性词出现这种情况可能吗?今天身体怎么样?Day4下午强化学习 强化学习初步强化学习经典方法强化学习初步(3)agent的属性马尔科夫奖励/决策过程exploration and exploitation状态行为值函数Bellman期望方程最优策略 强化学习经典方法(4)策略迭代与价值迭代蒙特卡洛法时序差分法DP、MC、TD的关系 案例实践:财宝在右格子世界机器人走迷宫谷底的小车倒立摆  Day5上午深度强化学习 深度强化学习深度强化学习(1)值函数的参数化表示值函数的估计过程深度学习与强化学习的结合基础的DQN 方法Double DQNPrioritized ReplayDueling Network 深度强化学习(2)策略梯度方法介绍常见的策略表示减小方差的方法引入基函数与修改估计值函数 案例实践:井字棋笨鸟先飞:DQNDay5下午深度强化学习及其他 深度强化学习GAN深度强化学习(3)围棋AI的难点MCTS策略网络价值网络Alpha Go的完整架构Alpha Go zero GAN(4)生成对抗网络(GAN)KL散度与JS散度改进的GAN:DCGAN加上约束:infoGAN根本上解决:Wasserstein GAN案例实践:alphazero版五子棋计算机想象的数字特朗普的孩子?
• 叶梓:大数据与人工智能
(一)统计分析、数据仓库与可视化表达综述(大数据、人工智能、数据挖掘、机器学习:这些词的确切含义)假设检验:“小数据”时代是怎么玩的?“回归”是数据挖掘算法吗?度量、指标与维度星型模型与雪花模型下钻与上卷数据仓库的应用案例图表该怎么画才对? (二)大数据相关技术综述hadoop:HDFS、Map-Reduce、Hbase、Hive、sqoop、pig、oozie等spark:scala、spark-SQL、spark-Streaming等搜索引擎:lucene(solr)、ES并发的机器学习工具:R-hadoop、spark-MLLIB、 spark-R、pyspark (三)存储在hbase中的数据NoSQL(key-value)Hbase:安装行键与列簇如何利用Hbase的特点存储行业数据应用程序如何访问Hbase中的数据数据迁移工具:sqoopHbase的应用场景 (四)Hive:为SQL开发者留的活路Hive:安装(单用户与多用户)Hive:基本操作Hive:与典型的关系型数据库的区别存储业务数据时的注意点如果“想慢”,你还可以这样…(不恰当使用hive的案例介绍)Hive的应用场景 (六)Spark各组件的应用Hadoop最大的特点是什么?Spark概述与安装Scala:你可以一直“点”下去RDD:“映射”、“转换”解决一切spark-SQLspark-streamingspark-graphXspark-MLLIB应用场景 (七)机器学习-1数据挖掘、知识发现与机器学习工具:(早期)SPSS、SAS;目前流行的工具R、Python等决策树(熵、贪心法、连续的和离散的)聚类(k-means、k-medoid)监督学习、无监督学习的差异机器学习性能评价指标 (八)机器学习-2KNN关联规则(频繁项集、Apriori、支持度、置信度、提升度)神经网络(神经元、激励函数、前馈神经网络的BP算法)SVM(最大间隔、核函数、多分类的支持向量机) (九)机器学习-3 “概率派”与“贝叶斯派”朴素贝叶斯模型(皮马印第安人患糖尿病风险预测)极大似然估计与EM算法HMM(三个基本问题:评估、解码、学习) (十)机器学习-4遗传算法 (交叉、选择、变异,“同宿舍”问题)无监督学习集成学习(adaboost、RF)强化学习 (十一)深度学习-1连接主义的兴衰地形要更陡:改进的目标函数0.9的100次方等于几?克服梯度消散的方法(改进的激励函数、BN)利用“惯性”下山:改进的优化算法(Adagrad、RMSprop、Adam)防止“大锅饭”:dropout记忆的关键是“合理的忘记”:weight decay (十二)深度学习-2让AI理解图像:典型CNN各种CNN让AI理解语言:RNN与LSTM、GRU左右互搏术:GAN电子游戏的新玩法:DQN
• 叶梓:大数据提纲
课时一:概念综述大数据的定义由来和原因大数据的6V特征从数据库,数据仓库到大数据大数据相关技术和处理 课时二:Hadoop生态圈、spark生态圈、搜索引擎概述hadoop:HDFS、Map-Reduce、Hbase、Hive等spark:scala、spark-SQL、spark-Streaming等搜索引擎:lucene(solr)、ES并发的机器学习工具:R-hadoop、spark-MLLIB、 spark-R、pyspark 课时三:存储在hbase中的数据NoSQL(key-value)Hbase:安装行键与列簇如何利用Hbase的特点存储数据应用程序如何访问Hbase中的数据数据迁移:sqoopHbase的应用场景 课时四:Hive:为用SQL的开发者留的活路Hive:安装(单用户与多用户)Hive:基本操作Hive:与典型的关系型数据库的区别如果“想慢”,你可以这样…(不恰当使用hive的案例介绍)Hive的应用场景 课时五:Spark各组件在卫生领域的应用Hadoop最大的特点是什么?Spark概述与安装Scala:你可以一直“点”下去RDD:“映射”、“转换”解决一切spark-SQLspark-streamingspark的其他组件应用场景 课时六:机器学习算法介绍—I综述(人工智能、数据挖掘、机器学习、机器智能、大数据:这些词的确切含义)监督学习、无监督学习与强化学习工具:R、Python等决策树详解(熵、贪心法、连续的和离散的)神经网络详解(神经元、激励函数、前馈神经网络的BP算法,其他神经网络) 课时七:机器学习算法介绍—II关联规则详解(频繁项集、Apriori、支持度、置信度)聚类详解(k-means、k-medoid)常见算法的简述(Naïve-Bayes、k-NN、HMM、SVM等)

添加企业微信

1V1服务,高效匹配老师
欢迎各种培训合作扫码联系,我们将竭诚为您服务