人工智能深度学习培训
人工智能的浪潮正在席卷全球,各种培训课程应运而生,但真正能让学员系统、全面掌握知识点,并且能学以致用的实战课程并不多见。
-
AI人工智能培训
点击咨询
人工智能的浪潮正在席卷全球,各种培训课程应运而生,但真正能让学员系统、全面掌握知识点,并且能学以致用的实战课程并不多见。本课程包含机器学习、深度学习的重要概念及常用算法(决策树、关联规则、聚类、贝叶斯网络、神经网络、支持向量机、隐马尔科夫模型、遗传算法、CNN、RNN、GAN等),以及人工智能领域当前的热点。通 过6天的系统学习、案例讲解和动手实践,让学员能初步迈入机器学习和深度学习的知识殿堂。
AI人工智能内训课程推荐
AI人工智能培训课程介绍
AI人工智能培训内容
Day1初识机器学习
上午
概述入门
数据预处理
概述(第一天——)
●概念与术语(人工智能、数据挖掘、机器学习)
●数据挖掘的对象
●数据挖掘的关键技术
●知识的表达
●Python的安装
数据预处理(第一天——2)
●数据清理
●规范化
●模糊集
●粗糙集
●无标签时:PCA
●有标签时:Fisher线性判别
数据压缩(DFT、小波变换)
案例实践:
●python安装
●Tensorflow安装
●PCA的实验
●DFT的实验
Day初识机器学习
下午
回归与时序分析
决策树
回归与时序分析 (第一天——3)
●线性回归
●非线性回归
●logistics回归
●平稳性、截尾与拖尾
●ARIMA
决策树(第一天——4)
●分类和预测
●熵减过程与贪心法
●ID3
●C4●5
●其他改进方法
决策树剪枝
案例实践:
●回归的实验
●ARIMA预测实验
●决策树的实验
Day2机器学习中的典型算法
上午
聚类
关联规则
朴素贝叶斯与KNN
聚类(第二天——)
●监督学习与无监督学习
●K-means与k-medoids
●层次的方法
●基于密度的方法
●基于网格的方法
●孤立点分析
关联规则(第二天——2)
●频繁项集
●支持度与置信度
●提升度
●Apriori性质
●连接与剪枝
朴素贝叶斯与KNN(第二天——3)
●KNN
●概率论基础:条件概率、联合概率、分布、共轭先验。
●“概率派”与“贝叶斯派”
●朴素贝叶斯模型
案例实践:
●鸢尾花数据的聚类
●超市购物篮——关联规则分析
●朴素贝叶斯案例:皮马印第安人患糖尿病的风险
Day2机器学习中的典型算法
下午
极大似然估计与EM算法
性能评价指标
极大似然估计与EM算法(第二天——4)
●极大似然估计
●对数似然函数
●EM算法
性能评价指标(第二天——5)
●准确率;*率、召回率;F
●真阳性率、假阳性率
●混淆矩阵
●ROC与AUC
●对数损失
●Kappa系数
●回归:平均*误差、平均平方误差
●聚类:兰德指数、互信息
●k折验证
案例实践:
●正态分析的参数估计
●EM算法应用案例:双正态分布的参数估计
●绘制ROC并计算AUC、F
●绘制拟合曲线,计算拟合优度
Day3神经网络专题
上午
BP神经网络
模拟退火算法与其他神经网络
BP神经网络 (第三天——)
●人工神经元及感知机模型
●前向神经网络
●sigmoid
●径向基函数神经网络
●误差反向传播
模拟退火算法与其他神经网络 (第三天——2)
●模拟退火算法
●Hopfield网络
●自组织特征映射神经网络(SOM)
●受限布尔兹曼机
案例实践:
●可以手算的神经网络
●神经网络模拟一个圆锥曲面
●“货郎担”问题(模拟退火算法)
●识别破损的字母(Hopfield网络)
●聚类的另一种解法(SOM)
Day3神经网络专题
下午
机器学习中的**化方法
遗传算法
机器学习中的**化方法(第三天——3)
●参数学习方法
●损失函数(或目标函数)
●梯度下降
●随机梯度下降
●牛顿法
●拟牛顿法
遗传算法 (第三天——4)
●种群、适应性度量
●交叉、选择、变异
●基本算法
案例实践:
●随机梯度下降的例子
●牛顿法求Rosenbrock(香蕉函数)的极值
●“同宿舍”问题:遗传算法
Day4机器学习进阶
上午
支持向量机
隐马尔科夫模型
支持向量机 (第四天——)
●统计学习问题
●支持向量机
●核函数
●多分类的支持向量机
●用于连续值预测的支持向量机
隐马尔科夫模型(第四天——2)
●马尔科夫过程
●隐马尔科夫模型
●三个基本问题(评估、解码、学习)
●前向-后向算法
●Viterbi算法
●Baum-Welch算法
案例实践:
●SVM:iris的三个分类
●HMM示例:天气与地表积水、罐中的彩球
●HMM之前向算法:掷骰子的序列
●HMM之viterbi算法:是否生病了?
Day4机器学习进阶
下午
文本挖掘
从LSA到LDA
文本挖掘(第四天——3)
、文本分析功能
2、文本特征的提取
4、TF-IDF
5、文本分类
5、文本聚类
从LSA到LDA(第四天——3)
●LSA
●pLSA
●LDA
案例实践:
●英文文本分析;
●中文文本分析:《绝代双骄》
●中文语句情感分析
●LSA和LDA的比较
Day5机器学习进阶与深度学习初步
上午
利用无标签的样本
集成学习
利用无标签的样本(第五天——)
●半监督学习
●直推式学习
●主动学习
集成学习(第五天——2)
●bagging
●co-training
●adaboost
●随机森林
●GBDT
案例实践:
●半监督学习:SVM标签扩展;
●主动学习:手写数字
3、bagging、adaboost、RF、GBDT的例子
Day5机器学习进阶与深度学习初步
下午
强化学习
深度学习-
强化学习(第五天——3)
●agent的属性
●exploration and exploitation
●Bellman期望方程
●**策略
●策略迭代与价值迭代
●Q学习算法
深度学习-(第五天——4)
●连接主义的兴衰
●深度学习与神经网络的区别与联系
●目标函数
●激励函数
学习步长
案例实践:
●强化学习示例:走迷宫
●强化学习:谷底的小车
●深度学习示例:模式识别
Day6深度学习
上午
深度学习-2
深度学习-3
深度学习-2(第六天——)
●优化算法
●Adagrad
●RMSprop
●Adam
●避免过适应
深度学习-3(第六天——2)
●典型应用场景
●CNN
●各种CNN
●RNN
LSTM、GRU
案例实践:
●CNN的准备示例
●CNN处理MNIST手写数字数据集
●RNN准备示例
●RNN分析股票趋势
●LSTM的准备示例
Day6深度学习
下午
深度学习-4
●GAN
●DQN
案例实践:
●DQN结合CNN:“flappy bird”