• 搜素结果

 / 

机器学习(深度学习)算法和应用

百度
高级算法工程师
2269
16420
19495
机器学习(深度学习)算法和应用
推荐课程
暂无评分
推荐课程
暂无评分
¥

6800.00

每人

课程时长

课程排期

如您想参加此课程,您可以点击“我想参加”按钮提交您的需求,我们会及时与您联系

地点: 该课程暂无排期
没有地点信息
将课程带入到您的团队,为您的团队进行一对一辅导。
预约内训

课程详细[html版]

课程信息

机器学习(深度学习)算法和应用

培训特色

幻灯片算法讲解,结合代码分析,剖析算法原理;实际应用举例和和业界趋 势分析;成熟开源框架介绍和实例(Theano, TensorFlow)。
使学员能够了解机器学习的流程步骤;理解用机器学习方法解决实际问题的
方法和思路;初步掌握基础机器学习的算法和实现方法。

培训对象

对机器学习算法原理和应用感兴趣,具有一定编程(Python)和数学基础(线 性代数、微积分和概率论)的管理和技术人员

课程大纲

主题 内容

PART I: 入门和基本 DNN 模型

1. 深度学习概要
什么是深度学习 & 与机器学习的异同
2. 多层感知器模型 Multi-Layer Perceptron – MLP
神经元 权重和激活 Neurons Weight Activation
神经元网络 Neuron Networks
训练网络 Training Networks
Back-propagation 算法和计算图
多种自适应学习率算法 Adaptive Learning Rate
3. 用 Keras 搭建 MLP
载入数据
定义-编译-训练-测试模型

PART II: 评估、调参和优化模型

4. 评估深度学习模型的性能
切分数据集合 Data Splitting
手工 k-fold cross validation
5. 通用深度学习工具集 Keras + Scikit-Learn
用 cross-validation 评估模型
用 grid-search 微调超参数
6. 项目:用 MLP 进行多元分类 – 植物品种分类
7. 项目:用 MLP 进行二元分类 – 声呐探测物体信号分析
8. 项目:用 MLP 进行回归 – Boston 房屋价格预测
9. 序列化保存模型
10. 通过 check point 机制获取最佳模型
11. 通过绘制模型历史理解训练行为
12. 通过 dropout regularization 降低模型过拟合
13. 选取不同的 Learning Rate Schedule 提升模型性能

PART III: 卷积神经网络

14. 卷积神经网络 Convolutional Neural Network
14.1 CNN 原理和构造:
- 核 Filter 和卷积运算 Convolutional Layer
- 特征图 Feature Maps
- 池化层 Pooling
- 全连接层 Full Connected Layer
- Dropout 和 Batch Normalization
- CNN 最佳实践
14.2 CNN 实践
- 项目:用 CNN 进行手写体识别
- 练习:在 CNN 图像识别中通过 Image Augmentation 技术提升模型性能
- 项目:用 CNN 进行图片物体识别
- 项目:用 CNN 电影评论情绪预测
- 项目:用 CNN 进行图像 segmentation

PART IV: 循环神经网络

15. 循环神经网络 Recurrent Neural Networks
15.1 RNN 原理一:基本 RNN
- 处理序列(Sequence)数据的神经网络
- 循环神经网 RNN 架构
- RNN训练:如何在训练中获得稳定的梯度下降
- RNN 网络演化历史:RNN,LSTM,GRU 结构比较和分析
15.2 RNN 实践一:RNN 回归
- 项目:用 MLP 进行时间序列预测
- 项目:用长短记忆网络(Long-Short Term Memory, LSTM)进行时间序列预测
子项目1) 用LSTM进行回归
子项目2)用LSTM 序列窗口(Window method)进行回归
子项目3) 用 LSTM 时间步长(Time Step)进行回归
子项目4) 用 LSTM记忆(Memory)进行回归 & Stacked LSTM
15.3 RNN 实践二:RNN 分类
- 项目:对电影评论进行序列分类 Sequence Classification
- 项目:使用 dropout LSTM
- 项目:结合使用 CNN 和 RNN 进行序列分类
15.4 RNN 实践三:用 RNN 进行文本生成 – one char
- 项目:用LSTM进行 one-char生成
- 项目:用LSTM feature-window进行one-char生成
- 项目:用LSTM time-step进行 one-char生成
- 项目:用 LSTM 批内样本间保持状态进行 one-char 生成
- 项目:有状态 LSTM进行 one-char 生成
- 项目:变长输入 LSTM
15.5 RNN 实践四:RNN 进行文本生成 – sequence
- 项目:用 LSTM 生成文本序列
- 项目:深度 LSTM 生成文本
- 讨论:如何进一步提高模型 performance
15.6 更多 RNN 模型(可选)例如:
- image captioning 图像字幕
- machine translation 机器翻译
- dialogue generation 对话生成

PART I: 入门和基本 DNN 模型

1. 深度学习概要
什么是深度学习 & 与机器学习的异同
2. 多层感知器模型 Multi-Layer Perceptron – MLP
神经元 权重和激活 Neurons Weight Activation
神经元网络 Neuron Networks
训练网络 Training Networks
Back-propagation 算法和计算图
多种自适应学习率算法 Adaptive Learning Rate
3. 用 Keras 搭建 MLP
载入数据
定义-编译-训练-测试模型

PART II: 评估、调参和优化模型

4. 评估深度学习模型的性能
切分数据集合 Data Splitting
手工 k-fold cross validation
5. 通用深度学习工具集 Keras + Scikit-Learn
用 cross-validation 评估模型
用 grid-search 微调超参数
6. 项目:用 MLP 进行多元分类 – 植物品种分类
7. 项目:用 MLP 进行二元分类 – 声呐探测物体信号分析
8. 项目:用 MLP 进行回归 – Boston 房屋价格预测
9. 序列化保存模型
10. 通过 check point 机制获取最佳模型
11. 通过绘制模型历史理解训练行为
12. 通过 dropout regularization 降低模型过拟合
13. 选取不同的 Learning Rate Schedule 提升模型性能

PART III: 卷积神经网络

14. 卷积神经网络 Convolutional Neural Network
14.1 CNN 原理和构造:
- 核 Filter 和卷积运算 Convolutional Layer
- 特征图 Feature Maps
- 池化层 Pooling
- 全连接层 Full Connected Layer
- Dropout 和 Batch Normalization
- CNN 最佳实践
14.2 CNN 实践
- 项目:用 CNN 进行手写体识别
- 练习:在 CNN 图像识别中通过 Image Augmentation 技术提升模型性能
- 项目:用 CNN 进行图片物体识别
- 项目:用 CNN 电影评论情绪预测
- 项目:用 CNN 进行图像 segmentation

PART IV: 循环神经网络

15. 循环神经网络 Recurrent Neural Networks
15.1 RNN 原理一:基本 RNN
- 处理序列(Sequence)数据的神经网络
- 循环神经网 RNN 架构
- RNN训练:如何在训练中获得稳定的梯度下降
- RNN 网络演化历史:RNN,LSTM,GRU 结构比较和分析
15.2 RNN 实践一:RNN 回归
- 项目:用 MLP 进行时间序列预测
- 项目:用长短记忆网络(Long-Short Term Memory, LSTM)进行时间序列预测
子项目1) 用LSTM进行回归
子项目2)用LSTM 序列窗口(Window method)进行回归
子项目3) 用 LSTM 时间步长(Time Step)进行回归
子项目4) 用 LSTM记忆(Memory)进行回归 & Stacked LSTM
15.3 RNN 实践二:RNN 分类
- 项目:对电影评论进行序列分类 Sequence Classification
- 项目:使用 dropout LSTM
- 项目:结合使用 CNN 和 RNN 进行序列分类
15.4 RNN 实践三:用 RNN 进行文本生成 – one char
- 项目:用LSTM进行 one-char生成
- 项目:用LSTM feature-window进行one-char生成
- 项目:用LSTM time-step进行 one-char生成
- 项目:用 LSTM 批内样本间保持状态进行 one-char 生成
- 项目:有状态 LSTM进行 one-char 生成
- 项目:变长输入 LSTM
15.5 RNN 实践四:RNN 进行文本生成 – sequence
- 项目:用 LSTM 生成文本序列
- 项目:深度 LSTM 生成文本
- 讨论:如何进一步提高模型 performance
15.6 更多 RNN 模型(可选)例如:
- image captioning 图像字幕
- machine translation 机器翻译
- dialogue generation 对话生成

+加载更多
Donec quam felis

Thousand unknown plants are noticed by me: when I hear the buzz of the little world among the stalks, and grow familiar with the countless indescribable forms of the insects and flies, then I feel the presence of the Almighty, who formed us in his own image, and the breath

I am alone, and feel the charm of existence in this spot, which was created for the bliss of souls like mine. I am so happy, my dear friend, so absorbed in the exquisite sense of mere tranquil existence, that I neglect my talents. I should be incapable of drawing a single stroke at the present moment; and yet.

+加载更多

近期公开课推荐

13
十月
广东
互联网时代下的产品构建

做产品,讲究一个『神、智、器、识、势』。…

13
十月
北京
敏捷项目管理实战沙盘演练

成功产品的特性就是要以用户为中心,快速响…

20
十月
北京
产品『黑客』特训营

知识分两种,一种是显性知识,一种是隐性知…

26
十月
四川
产品经理技能提升训练营(2天版)

产品经理是个核心岗位,对产品的成败有着重…

26
十月
北京
卓越软件工程师代码整洁之道

该课程适应于各个阶段的技术人员.初级工程师…

27
十月
上海
U型产品创新实战训练营

U 首先代表用户(User),毕竟一切都要以用户…

课程反馈

当前课程还没有反馈信息

用户还看了其他课程

“用设计思维实现产品创新”工作坊

“用设计思维实现产品创新”工作坊

8190人看过
0人评价
Swift语言课程

Swift语言课程

15919人看过
0人评价

欢迎来到msup!

还不是msup会员?快来注册吧!

立即注册

服务热线

400-812-8020

market@msup.com.cn

官方微信公众号

微信公众号:msupclub

Copyright © 2017 msup

京ICP备09001521号