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。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。

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”