机器学习(深度学习)算法和应用

真实应用案例 丨 真实工作成果 丨 连续举办20期 丨 评分高达9.9 丨 业界高口碑标杆课程

经典课程限时活动          预约现场体验票

抢占名额

预约现场体验票

抢占名额

课程介绍

MSUP金牌经典课程,已经在各大IT公司巡讲超过20场,评分高达9.9 ,已成为业界高口碑标杆课程
课程内容包含: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(Numpy, Pandas, Sklearn, Keras, TensorFlow,)。
内容分7大部分:DNN 入门和基本模型;模型评估、调参和优化;卷积神经网络 CNN 原理和实践;循环神经网络RNN原理和实践;GAN;无监督学习;增强学习
课程适合对深度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、概率论)的技术人员。

课程介绍

MSUP金牌经典课程,已经在各大IT公司巡讲超过100场,评分高达9.9 ,已成为业界高口碑标杆课程
课程内容包含: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(Numpy, Pandas, Sklearn, Keras, TensorFlow,)。
内容分7大部分:DNN 入门和基本模型;模型评估、调参和优化;卷积神经网络 CNN 原理和实践;循环神经网络RNN原理和实践;GAN;无监督学习;增强学习
课程适合对深度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、概率论)的技术人员。

目标收益

  • 学员能够了解深度学习的流程步骤;

  • 理解用深度学习方法解决实际问题的方法和思路;

  • 初步掌握基础深度学习的算法和实现方法,并应用于多种项目中。

目标收益

  • 学员能够了解深度学习的流程步骤;

  • 理解用深度学习方法解决实际问题的方法和思路;

  • 初步掌握基础深度学习的算法和实现方法,并应用于多种项目中。

课程大纲

大量真实案例,深入分析,让学员更好的掌握课程内容

  • 01

    入门和基本 DNN 模型(略讲)

    • 深度学习概要 什么是深度学习 & 与机器学习的异同
    • 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
    • 用 Keras 搭建 MLP
    载入数据
    定义-编译-训练-测试模型

    02

    评估、调参和优化模型(上)

    • 评估深度学习模型的性能
    • 切分数据集合 Data Splitting
    • 数据集(构建、清洗、评估等)
    • 模型结构选择、搭建与调优、训练调参方法技巧等
    • 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

    03

    评估、调参和优化模型(下)

    • MLP例子
    - 用 MLP 进行多元分类 – 植物品种分类
    - 用 MLP 进行二元分类 – 声呐探测物体信号分析
    - 用 MLP 进行回归 – Boston 房屋价格预测
    • 序列化保存模型
    • 通过 check point 机制获取最佳模型
    • 通过绘制模型历史理解训练行为
    • 通过 dropout regularization 降低模型过拟合
    • 选取不同的 Learning Rate Schedule 提升模型性能

    04

    卷积神经网络 CNN

    • CNN 原理和构造(概述):
    - 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
    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 、XCeption 架构、ResNet
    - 项目:用 CNN电影评论情绪预测

  • 05

    循环神经网络 Recurrent Neural Networks – RNN(一)

    • - 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

    06

    循环神经网络 Recurrent Neural Networks – RNN(二)

    • 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
    1) 用LSTM进行回归
    2)用LSTM 序列窗口(Window method)进行回归
    3) 用 LSTM 时间步长(Time Step)进行回归
    4) 用 LSTM记忆(Memory)进行回归 & Stacked LSTM
    • RNN 实践二:RNN 分类
    • Spring Boot 实战案例

    07

    循环神经网络 Recurrent Neural Networks – RNN(三)

    • - 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
    • 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

    08

    循环神经网络 Recurrent Neural Networks – RNN(四)

    • 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

  • 09

    循环神经网络 Recurrent Neural Networks – RNN(五)

    • 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
    • 更多 RNN 模型:
    - -Sequence-to-Sequence 结构和实现
    - Attention 机制、- image captioning 图像字幕
    - machine translation 机器翻译
    - dialogue generation 对话生成
    - 神经机器翻译 Neural Machine Translation
    - Query泛化 和 Q&A: multiple perspective 机制

    10

    循环神经网络 Recurrent Neural Networks – RNN(六)

    • 无监督学习概念、方法和例子
    无监督学习方法
    Word Embedding
    Word2Vec:前生今世 - 起因和效果
    Word2Vec:原理和架构
    Word2Vec 训练
    Auto-Encoder 、Auto-Encoder 概念和训练
    全连接 Auto-Encoder
    Variational Auto Encoder (VAE)
    Deep Convolutional VAE

课程大纲

大量真实案例,深入分析
让学员更好的掌握课程内容

  • 01

    入门和基本 DNN 模型(略讲)

    • 深度学习概要 什么是深度学习 & 与机器学习的异同
    • 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、 • 用 Keras 搭建 MLP
    载入数据、定义-编译-训练-测试模型

    02

    评估、调参和优化模型(上)

    • 评估深度学习模型的性能
    • 切分数据集合 Data Splitting
    • 数据集(构建、清洗、评估等)
    • 模型结构选择、搭建与调优、训练调参方法技巧等
    • 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

    03

    评估、调参和优化模型(下)

    • MLP例子
    - 用 MLP 进行多元分类 – 植物品种分类
    - 用 MLP 进行二元分类 – 声呐探测物体信号分析
    - 用 MLP 进行回归 – Boston 房屋价格预测
    • 序列化保存模型
    • 通过 check point 机制获取最佳模型
    • 通过绘制模型历史理解训练行为
    • 通过 dropout regularization 降低模型过拟合
    • 选取不同的 Learning Rate Schedule 提升模型性能

    04

    卷积神经网络 CNN

    • CNN 原理和构造(概述):
    - 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
    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 、XCeption 架构、ResNet
    - 项目:用 CNN电影评论情绪预测

  • 05

    循环神经网络 Recurrent Neural Networks – RNN(一)

    • - 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

    06

    循环神经网络 Recurrent Neural Networks – RNN(二)

    • 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
    1) 用LSTM进行回归; 2)用LSTM 序列窗口(Window method)进行回归 ; 3) 用 LSTM 时间步长(Time Step)进行回归; 4) 用 LSTM记忆(Memory)进行回归 & Stacked LSTM
    • RNN 实践二:RNN 分类
    • Spring Boot 实战案例

    07

    循环神经网络 Recurrent Neural Networks – RNN(三)

    • - 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
    • 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; 用LSTM time-step进行 one-char生成; 用 LSTM 批内样本间保持状态进行 one-char 生成;; 有状态 LSTM进行 one-char 生成; 变长输入 LSTM

    08

    循环神经网络 Recurrent Neural Networks – RNN(四)

    • 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

  • 09

    循环神经网络 Recurrent Neural Networks – RNN(五)

    • 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
    • 更多 RNN 模型:
    - -Sequence-to-Sequence 结构和实现
    Attention 机制、- image captioning 图像字幕; machine translation 机器翻译; dialogue generation 对话生成; 神经机器翻译 Neural Machine Translation; Query泛化 和 Q&A: multiple perspective 机制

    10

    循环神经网络 Recurrent Neural Networks – RNN(六)

    • 无监督学习概念、方法和例子
    无监督学习方法
    Word Embedding
    Word2Vec:前生今世 - 起因和效果
    Word2Vec:原理和架构
    Word2Vec 训练
    Auto-Encoder 、Auto-Encoder 概念和训练
    全连接 Auto-Encoder
    Variational Auto Encoder (VAE)
    Deep Convolutional VAE

以下客户都曾参加过该课程

以下客户都曾参加过该课程

助你快速掌握深度学习的算法和实现方法

  • 适合人群
  • 讲师介绍
  • B. Ma
    前百度 高级算法工程师
    中国原子能科学研究院理论物理硕士、中国科学院软件研究所博士。
    曾领导重构百度搜索引擎核心模块,实现了九年历史四十万行遗留代码的优化;
    作为量化派技术总监,带领技术部开发和重构了基于金融大数据的借贷交易平台和信审平台;
    应用机器学习技术在丁丁租房多项在线服务(推荐 信审 反中介 派单策略 定价模型等);在Baidu AI 度秘团队负责NLU策略和模型

快速掌握深度学习的算法和实现方法

  • 适合人群
  • 讲师介绍
  • B. Ma
    • 前百度 高级算法工程师
    • 中国原子能科学研究院理论物理硕士、中国科学院软件研究所博士。
    • 曾领导重构百度搜索引擎核心模块,实现了九年历史四十万行遗留代码的优化;
    • 作为量化派技术总监,带领技术部开发和重构了基于金融大数据的借贷交易平台和信审平台;
    • 应用机器学习技术在丁丁租房多项在线服务(推荐 信审 反中介 派单策略 定价模型等);在Baidu AI 度秘团队负责NLU策略和模型

为什么msup公开课你值得选择

苛刻要求下设计出的课程体系

每门课程内容都在教学讲师和研究院同事精心设计下完成,保证教学目标的准确性与课程结构的逻辑性。帮助企业带来技术改善和培养人才骨干成长

紧跟行业热点趋势

携手国内外众多一线技术大咖,从实战案例和行业技术趋势出发,不断更新迭代课程内容,学习最前沿、最热门的IT技术和经验

知名教练权威认证

拥有2000+客座教练,均来自全球知名企业一线技术带头人,具有多年软件相关经验涉及全球技术管理,战略设计等方面的最新研究成果,实战经验,帮助企业开拓眼界,打开思维局限,解决核心人才能力进阶问题。

高端舒适的学习体验

客户成功团队全程服务,保障与企业在整个项目中的及时沟通,解决现场问题;学习场地选在五星级酒店,每期课程都会有一线名企加入,为学员搭建高端舒适的学习交流环境

团队结业专属证书

成绩合格颁发业界认可的权威证书

十一年的企业培训经验

十一年的企业培训经验,服务超过3000+技术型企业已检验过的有效实践

往期课程



  • 课程现场


  • 课程现场


  • 课程现场


  • 课程现场


  • 课程现场

为什么msup公开课你值得选择

往期课程


  • 课程现场

  • 课程现场

  • 课程现场

  • 课程现场

  • 课程现场

常见问题

  • Q:课程费用

    预约报名成功后,课程费用可通过银行对公转账,和支付宝扫码支付的形式;2天培训课程,包含课程费用,课程学习资料,两天午餐(中午12点准时)及下午茶歇等。

  • Q:开课通知提醒

    A:报名成功后,工作人员会通过邮件和短信的形式通知具体开课时间和地点,课程开课前还会另行通知提醒。

  • Q:发票开具流程

    A:确认收到课程费用款项
    工作人员与课程报名联系人及时沟通发票信息,请报名方确认发票信息100%无误
    在无外力因素的情况下,发票将在7个工作日开具并快递
    msup规定,在收到课程报名费用后,方可按照实际总金额开具,发票类别为增值税发票;如果您有特殊需求,可及时与工作人员沟通

常见问题

  • Q:课程费用

    A:预约报名成功后,课程费用可通过银行对公转账,和支付宝扫码支付的形式;2天培训课程,包含课程费用,课程学习资料,两天午餐(中午12点准时)及下午茶歇等。

  • Q:发票开具流程

    A:确认收到课程费用款项工作人员与课程报名联系人及时沟通发票信息,请报名方确认发票信息100%无误,在无外力因素的情况下,发票将在7个工作日开具并快递msup规定,在收到课程报名费用后,方可按照实际总金额开具,发票类别为增值税发票;如果您有特殊需求,可及时与工作人员沟通

  • Q:开课通知提醒

    A:报名成功后,工作人员会通过邮件和短信的形式通知具体开课时间和地点,课程开课前还会另行通知提醒。


查看更多

提交需求