课程简介
本课程将围绕机器学习和深度学习展开，课程强调兴趣培养与动手操作；内容以目前比较前沿的技术以及丰富的案例为主，以理论讲解为根，以案例演示为主。讲解机器学习、深度学习的模型理论和代码实践，从根本上解决如何使用模型；课程安排中，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。通过一个项目讲解模型选择、调优、模型部署等内容。
目标收益
了解机器学习、深度学习基本概念，尤其掌握最新的xgboost等前沿模型，并且结合案例分析，进行实践。
培训对象
课程大纲
| 第一天上午（共3时） 机器学习基础 |
1.机器学习所需要的工具-sklearn介绍； 2.机器学习相关知识讲解 3.常用分类算法讲解：逻辑回归，决策树，树模型，集成学习 4.常用预测算法讲解：线性回归，xgboost |
| 第一天下午（共3时）案例讲解 |
1.通过若干案例讲解业务分析、数据预处理、模型选择、参数调优以及如何部署 2.案例：金融信用卡盗刷分析 3.案例：客户画像分析 4.案例：葡萄酒数据集的决策树/随机森林分类 5.案例：泰坦尼克乘客存活率估计 6.案例：金融分析 |
| 第二天上午（共3时） 深度学习：卷积神经网络 |
1.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 经典AlexNet、VGG、GoogleLeNet Inception、ResNet、DenseNet 2.案例：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 |
| 第二天下午（共3时）深度学习：循环神经网络 |
1.RNN基本原理 LSTM、GRU Attention 编码器与解码器结构 言特征提取：word2vec Seq2seq模型 2.案例：Cnn结合RNN做一个看图说话案例 3.案例：藏头诗生成 问答对话系统 4.大模型讲解 5.案例：使用大模型搭建一个对话系统。 |
|
第一天上午（共3时） 机器学习基础 1.机器学习所需要的工具-sklearn介绍； 2.机器学习相关知识讲解 3.常用分类算法讲解：逻辑回归，决策树，树模型，集成学习 4.常用预测算法讲解：线性回归，xgboost |
|
第一天下午（共3时）案例讲解 1.通过若干案例讲解业务分析、数据预处理、模型选择、参数调优以及如何部署 2.案例：金融信用卡盗刷分析 3.案例：客户画像分析 4.案例：葡萄酒数据集的决策树/随机森林分类 5.案例：泰坦尼克乘客存活率估计 6.案例：金融分析 |
|
第二天上午（共3时） 深度学习：卷积神经网络 1.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 经典AlexNet、VGG、GoogleLeNet Inception、ResNet、DenseNet 2.案例：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 |
|
第二天下午（共3时）深度学习：循环神经网络 1.RNN基本原理 LSTM、GRU Attention 编码器与解码器结构 言特征提取：word2vec Seq2seq模型 2.案例：Cnn结合RNN做一个看图说话案例 3.案例：藏头诗生成 问答对话系统 4.大模型讲解 5.案例：使用大模型搭建一个对话系统。 |
近期公开课推荐
