课程简介
课程强调动手操作；内容以代码落地为主，以理论讲解为根，以公式推导为辅。共4天8节，每节各3~3.5小时，讲解机器学习和深度学习的模型理论和代码实践，梳理机器学习、深度学习、计算机视觉的技术框架，从根本上解决如何使用模型、优化模型的问题；每次课中，首先阐述算法理论和少量公式推导，然后使用真实数据做数据挖掘、机器学习、深度学习的数据分析、特征选择、调参和结果比较。
目标收益
通过课程学习，可以理解机器学习的思维方式和关键技术；了解深度学习和机器学习在当前工业界的落地应用；能够根据数据分布选择合适的算法模型并书写代码，初步胜任使用Python进行数据挖掘、机器学习、深度学习等工作。
培训对象
课程大纲
| 第一节：Python与TensorFlow |
解释器Python2.7/3.6与IDE：Anaconda/Pycharm 列表/元组/字典/类/文件 numpy/scipy/matplotlib/panda的介绍和典型使用 scikit-learn的介绍和典型使用 TensorFlow典型应用 典型图像处理 多种数学曲线 多项式拟合 快速傅里叶变换FFT 奇异值分解SVD Soble/Prewitt/Laplacian算子与卷积网络 |
| 代码和案例实践 |
卷积与(指数)移动平均线 股票数据分析 缺失数据的处理 环境数据异常检测和分析 |
| 第二节：分类回归与优化 |
线性回归 Logistic/Softmax回归 广义线性回归 L1/L2正则化 Ridge与LASSO Elastic Net 梯度下降算法：BGD与SGD 特征选择与过拟合 Softmax回归的概念源头 最大熵模型 K-L散度 |
| 代码和案例实践 |
1.股票数据的特征提取和应用 2.泰坦尼克号乘客缺失数据处理和存活率预测 3.环境检测数据异常分析和预测 4.模糊数据查询和数据校正方法 5.PCA与鸢尾花数据分类 6.二手车数据特征选择与算法模型比较 7.广告投入与销售额回归分析 8.鸢尾花数据集的分类 9.TensorFlow实现线性回归 10.TensorFlow实现Logistic回归 |
| 第三节：卷积神经网络CNN |
神经网络结构，滤波器，卷积 池化，激活函数，反向传播 目标分类与识别、目标检测与追踪 经典AlexNet、VGG、GoogleLeNet Inception |
| 代码和案例实践 |
搭建自己的卷积神经网络 基于CNN的图像识别 卷积神经网络调参经验分享 |
| 第四节：图像视频的定位与识别 |
ResNet、DenseNet 视频关键帧处理 物体检测与定位 RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN YOLO FaceNet |
| 代码和案例实践 |
迁移学习（Transfer Learning） 人脸检测 OCR字体定位和识别 睿客识云 气象识别 |
| 第五节：循环神经网络RNN |
RNN基本原理 LSTM、GRU Attention 编码器与解码器结构 特征提取：word2vec Seq2seq模型 |
| 代码和案例实践 |
图片标注与图片问答 搭配CNN使用，组成CNN+LSTM模型 Bi-LSTM双向循环神经网络结构 循环神经网络调参经验分享 |
| 第六节：自然语言处理 |
语言模型Bi-Gram/Tri-Gram/N-Gram 分词 词性标注 依存句法分析 语义关系抽取 词向量 文本分类 机器翻译 文本摘要 阅读理解 问答系统 情感分析 |
| 代码和案例实践 |
输入法设计 HMM分词 文本摘要的生成 智能对话系统和SeqSeq模型 阅读理解的实现与Attention |
| 第七节：生成对抗网络GAN |
生成与判别 生成模型：贝叶斯、HMM到深度生成模型 GAN对抗生成神经网络 DCGAN Conditional GAN InfoGan Wasserstein GAN |
| 代码和案例实践 |
图片生成 看图说话 对抗生成神经网络调参经验分享 |
| 第八节：增强学习RL |
为何使用增强学习 马尔科夫决策过程 贝尔曼方程、最优策略 策略迭代、值迭代 Q Learning SarsaLamda DQN A3C ELF |
| 代码和案例实践 |
飞翔的小鸟游戏 基于增强学习的游戏学习 DQN的实现 |
|
第一节：Python与TensorFlow 解释器Python2.7/3.6与IDE：Anaconda/Pycharm 列表/元组/字典/类/文件 numpy/scipy/matplotlib/panda的介绍和典型使用 scikit-learn的介绍和典型使用 TensorFlow典型应用 典型图像处理 多种数学曲线 多项式拟合 快速傅里叶变换FFT 奇异值分解SVD Soble/Prewitt/Laplacian算子与卷积网络 |
|
代码和案例实践 卷积与(指数)移动平均线 股票数据分析 缺失数据的处理 环境数据异常检测和分析 |
|
第二节：分类回归与优化 线性回归 Logistic/Softmax回归 广义线性回归 L1/L2正则化 Ridge与LASSO Elastic Net 梯度下降算法：BGD与SGD 特征选择与过拟合 Softmax回归的概念源头 最大熵模型 K-L散度 |
|
代码和案例实践 1.股票数据的特征提取和应用 2.泰坦尼克号乘客缺失数据处理和存活率预测 3.环境检测数据异常分析和预测 4.模糊数据查询和数据校正方法 5.PCA与鸢尾花数据分类 6.二手车数据特征选择与算法模型比较 7.广告投入与销售额回归分析 8.鸢尾花数据集的分类 9.TensorFlow实现线性回归 10.TensorFlow实现Logistic回归 |
|
第三节：卷积神经网络CNN 神经网络结构，滤波器，卷积 池化，激活函数，反向传播 目标分类与识别、目标检测与追踪 经典AlexNet、VGG、GoogleLeNet Inception |
|
代码和案例实践 搭建自己的卷积神经网络 基于CNN的图像识别 卷积神经网络调参经验分享 |
|
第四节：图像视频的定位与识别 ResNet、DenseNet 视频关键帧处理 物体检测与定位 RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN YOLO FaceNet |
|
代码和案例实践 迁移学习（Transfer Learning） 人脸检测 OCR字体定位和识别 睿客识云 气象识别 |
|
第五节：循环神经网络RNN RNN基本原理 LSTM、GRU Attention 编码器与解码器结构 特征提取：word2vec Seq2seq模型 |
|
代码和案例实践 图片标注与图片问答 搭配CNN使用，组成CNN+LSTM模型 Bi-LSTM双向循环神经网络结构 循环神经网络调参经验分享 |
|
第六节：自然语言处理 语言模型Bi-Gram/Tri-Gram/N-Gram 分词 词性标注 依存句法分析 语义关系抽取 词向量 文本分类 机器翻译 文本摘要 阅读理解 问答系统 情感分析 |
|
代码和案例实践 输入法设计 HMM分词 文本摘要的生成 智能对话系统和SeqSeq模型 阅读理解的实现与Attention |
|
第七节：生成对抗网络GAN 生成与判别 生成模型：贝叶斯、HMM到深度生成模型 GAN对抗生成神经网络 DCGAN Conditional GAN InfoGan Wasserstein GAN |
|
代码和案例实践 图片生成 看图说话 对抗生成神经网络调参经验分享 |
|
第八节：增强学习RL 为何使用增强学习 马尔科夫决策过程 贝尔曼方程、最优策略 策略迭代、值迭代 Q Learning SarsaLamda DQN A3C ELF |
|
代码和案例实践 飞翔的小鸟游戏 基于增强学习的游戏学习 DQN的实现 |
近期公开课推荐
