【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。本课程包含基于python的数据分析、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等),以及人工智能领域当前的热点。通过3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、深度学习的知识殿堂。
【课程收益】
- 掌握Python开发技能;
- 掌握深度学习工具:TensorFlow、Keras、pytorch等;
- 掌握基于python的数据分析知识;
- 掌握数据挖掘与机器学习进阶知识;
- 掌握深度学习的基础理论与实践;
【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。
【主讲专家】
叶梓,博士、高级工程师。2005年上海交通大学计算机专业博士毕业,主研方向为数据挖掘、机器学习、人工智能等。现为某大型上市软件企业的人工智能团队技术负责人。在大数据、人工智能应用等方面有着丰富的工程实践经验。先后在SCI或EI期刊上发表论文4篇,在中文核心期刊上发表论文近20篇,并被百度学术收录。
【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上午 基于python的实验环境 | 实验环境搭建 - anaconda包的安装
- pip install的技巧
- 通过anaconda配置多个环境
- Jupyter Notebook的使用
- 绘图工具包matplotlib
- opencv的安装
- Tensorflow的安装
- Pytorch的安装
- paddlepaddle的安装
| 案例实践: - python安装
- opencv安装与验证
- Tensorflow安装与验证
- Pytorch安装与验证
- paddlepaddle安装与验证
|
Day1下午 Python基础 | Python开发概述 - Python的基本语法
- 引入外部包
- 常用的数据结构
- 定义函数
- Python中的面向对象编程
- 文件读写
- 访问数据库
数据预处理 - 数据清理
- 规范化
- 无标签时:PCA
- 有标签时:Fisher线性判别
- 数据压缩(DFT、小波变换)
回归与时序分析 - 线性回归
- 非线性回归
- logistics回归
| 案例实践: - 元组、列表、字典、集合
- PCA的实验
- DFT的实验
- 回归的实验
|
Day2上午 基于python的数据分析 | 决策树模型 - 分类和预测
- 熵减过程与贪心法
- ID3
- C4.5
- 其他改进方法
- 决策树剪枝
聚类 - 监督学习与无监督学习
- K-means与k-medoids
- 层次的方法
- 基于密度的方法
- 基于网格的方法
- 孤立点分析
| 案例实践: - 决策树的实验
- 鸢尾花数据的聚类
- 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
|
Day2下午 基于python实现的经典算法 | 关联规则 - 频繁项集
- 支持度与置信度
- 提升度
- Apriori性质
- 连接与剪枝
性能评价指标(5) - 精确率;
- P、R与F1
- ROC与AUC
- 对数损失
- 泛化性能评价:k折验证验证
| 案例实践: - 超市购物篮——关联规则分析
- 皮马印第安人患糖尿病的风险
|
Day3上午 深度学习基础 | BP神经网络 - 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
支持向量机 - “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
| 案例实践: - 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BPNN
- SVM实现人脸识别应用
|
Day3下午 深度学习基础与CNN | 深度学习基础 - 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
图像分类CNN - 图像分类概述
- AlexNet与ZF-Net
- VGG(5层变为5组)
- 迁移学习
- GoogLenet和Inception模块
- 模型退化与ResNet
- DenseNet(充分利用特征)
- 最新的efficientnet
| 案例实践: - 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的效果
案例实践: - VGG各层的可视化展现
- 迁移学习:猫狗大战
- Resnet用于图像分类
|
【授课环境】
讲课环境要能上网