课程费用

7800.00 /人

课程时长

4

课程排期

 
2020.08.29 -2020.08.30
北京

成为教练

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

课程费用

7800.00 /人

课程时长

4

课程排期 (更新日期:2019.11.29)

scheduling->endTime - $model->scheduling->startTime) / 86400 ) ?>
2020.08.29 -2020.08.30
北京

预约体验票 我要分享

近期公开课推荐

近期公开课推荐

提交需求