第一节:人工智能与机器学习基础 | 1.人工智能概述 2.机器学习概述 3.机器学习算法应用分析 |
第二节:回归算法 | 1.一元线性回归 2.代价函数 3.梯度下降法 4.sklearn一元线性回归应用 5.多元线性回归 6.sklearn多元线性回归应用 案例:葡萄酒质量和时间的关系 |
第三节:KNN分类算法 | 1.KNN分类算法介绍 2.KNN分类算法应用 3.KNN实现 案例:鸢尾花分类 |
第四节:决策树算法 | 1.决策树算法介绍 2.熵的定义 3.决策树算法与应用实现 案例:用户购买行为预测 |
第五节:集成算法与随机森林 | 1.Bagging算法介绍 2.随机森林建模方法 3.Adaboost算法介绍 4.Stacking算法介绍 5.Voting算法介绍 |
第六节:K-means聚类算法 | 1.K-means算法介绍 2.K-means算法应用 3.K-means算法实际应用案例 案例:NBA球队实力聚类分析 |
第七节:支持向量机 | 1.SVM算法介绍 案例:SVM完成人脸识别应用 |
第八节:特征工程项目-银行 用户违约预测 | 1.数据缺失处理 2.特征筛选方法 3.特征工程 4.数据不平衡问题处理 5.算法选择 6.结果评估 |
第九节:深度学习基础- 神经网络介绍 | 1.人工神经网络发展史 2.单层感知器 3.激活函数,损失函数和梯度下降法 4.BP算法介绍 案例:BP算法解决手写数字识别问题 |
第十节:Tensorflow基础应用 | 1.Mnist数据集合Softmax讲解 2.使用BP神经网络搭建手写数字识别 3.交叉熵(cross-entropy)讲解和使用 4.过拟合,正则化,Dropout 5.各种优化器Optimizer |
第十一节:卷积神经网络CNN应用 | 1.CNN卷积神经网络 2.卷积层、池化层(均值池化、最大池化) 3.CNN手写数字案例 |
第十二节:长短时记忆网络 LSTM应用 | 1.RNN循环神经网络 2.长短时记忆网络LSTM 3.LSTM应用案例 |
第十三节:常用卷积网络模型介绍 |
4.ResNet模型介绍 |
第十四节:用自己的数据来训练一个新的图像识别模型 | 1.数据准备 2.数据增强 3.模型搭建 4.模型训练 5.结果测试 |
第十五节:目标检测模型介绍 | 1.目标检测项目介绍 2.R-CNN模型介绍 3.SPPNET模型介绍 4.Fast-RCNN模型介绍 5.Faster-RCNN模型介绍 6.SSD模型介绍 7.yolo-v1模型介绍 8.yolo-v2模型介绍 9.yolo-v3模型介绍 |
第十六节:目标检测模型实战 | 1.项目安装配置环境 2.准备数据集 3.使用训练好的目标检测模型进行预测 4.用自己的数据训练新的目标检测模型 |
第十七节:自然语言处理技术介绍 | 1. word2vec介绍 2.Transformer模型介绍 3.Self-Attention机制介绍 4.多头注意力机制介绍 5..Bert模型介绍 6.GPT-3模型介绍 |
第十八节:自然语言处理项目实战 | 1.用CNN训练一个新的文本分类模型 2.用LSTM训练一个新的文本分类模型 3.用Bert训练一个新的文本分类模型 |
课后辅助: | 1.针对学员面对的问题进行讨论,提出建议 2.建立微信群(课后技术免费指导) 3.上课ppt资料都发到群里面 |