千  禧  云
点击了解更多>>
凝聚行业专家  助力企业成长
COURSES / 精品课程
机器学习与深度学习实战案例及应用
来源:职业讲师 | 作者:赵老师 | 发布时间: 2019-10-23 | 2718 次浏览 | 分享到:
半场，掀起一场硝烟弥漫的战争，这场腥风血雨，夹杂着人工智能的概念和应用，究竟如何战胜对手，是需要关注的。2017年是人工智能取得了极大发展的一年，而可预测到的是，人工智能将在2019迎来发展的春天。在学术界，深度学习已经成为了众多学者专家研究的热点问题，随着深度学习技术的不断发展，对相关行业从业人员的技术要求也日益增加，同时面临前所未有的机遇与挑战。为了帮助提高广大从业人员的技术水平，快速掌握深度学习的核心技术，解决实际科研和工程中遇到的问题。
课程介绍：
课程强调从零开始，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。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。

课程目标：
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。

课程特色：
课程重视代码实践，使用银行、金融、气象等工业界实际数据（数据已脱敏）进行机器学习模型的落地应用。虽然课程坚持推导公式，但更重视机器学习和深度学习的原理与实操；将实际工作中遇到的行业应用和痛点做最直观切实的展示；重视算法模型的同时，更强调实际问题中应该如何模型选择、特征选择和调参。

课程大纲：

章节

内    容

第一节

第一节：机器学习深度学习与TensorFlow

1.1 numpy/scipy/matplotlib/panda的介绍和典型使用；

1.2 scikit-learn的介绍和典型使用；

1.3 多元线性回归；   1.4 Logistics回归与Softmax回归；

1.5 决策树和随机森林； 1.6 SVM；

1.7 多种聚类的原理和调参；1.8 TensorFlow典型应用；

1.9 典型图像处理；        1.10 多项式拟合；

1.11快速傅里叶变换FFT；  1.12 奇异值分解SVD；

1.13 Soble/Prewitt/Laplacian算子与卷积网络；

第一节：代码和案例实践

1.1股票交易数据的 (指数)移动平均线与预测；

1.2无人机图像的风机叶片缺陷检测和识别系统；

1.3环保检测数据异常检测和分析；

1.4股票数据分析；

1.5社会学人群收入预测；

1.6葡萄酒数据集的决策树/随机森林分类；

1.7泰坦尼克乘客存活率估计；

第二节

 

第二节：卷积神经网络CNN

2.1 神经网络结构，滤波器，卷积；

2.2 池化，激活函数，反向传播；

2.3 目标分类与识别、目标检测与追踪；

2.4 AlexNet、VGGNet、GoogleLeNet；

2.5 Inception-V3/V4；  2.6 ResNet、DenseNet；

第二节：代码和案例实践

2.1 数字图片分类；

2.2 卷积核与特征提取；

2.3 以图搜图；         2.4 人证合一；

2.5 卷积神经网络调参经验分享；

第三节

第三节：图像视频的定位与识别

3.1 视频关键帧处理；          3.2 物体检测与定位；

3.3 RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN；

3.4 YOLO；                   3.5 FaceNet；

第三节：代码和案例实践：

3.1 迁移学习；               3.2 人脸检测；

3.3 OCR字体定位和识别；      3.4睿客识云；

3.5 气象识别；

 

 

章节

内    容

第四节

第四节：循环神经网络RNN

4.1 RNN基本原理；             4.2 LSTM、GRU；

4.3 Attention；                4.4 CNN+LSTM模型；

4.5 Bi-LSTM双向循环神经网络结构；

4.6 编码器与解码器结构；

4.7 特征提取：word2vec；      4.8 Seq2seq模型；

第四节：代码和案例实践：

4.1 看图说话；    4.2 视频理解；     4.3 藏头诗生成；

4.4 问答对话系统；                   4.5 OCR；

4.6 循环神经网络调参经验分享；

第五节

第五节：自然语言处理

5.1 语言模型Bi-Gram/Tri-Gram/N-Gram； 5.2分词/词性标注；

5.3 词向量；     5.4文本分类；       5.5机器翻译；

5.6 文本摘要；   5.7阅读理解；       5.8 情感分析；

第五节：代码和案例实践：

5.1 HMM分词；                   5.2 问答系统；

5.3 文本摘要的生成；        5.4智能对话系统和SeqSeq模型；

5.5 阅读理解的实现与Attention；

第六节

第六节：生成对抗网络GAN和强化学习RL

6.1 生成与判别；  6.2生成模型：贝叶斯、HMM到深度生成模型；

6.3 GAN对抗生成神经网络；      6.4 DCGAN；

6.5 Conditional GAN；   6.6 InfoGan；  6.7Wasserstein GAN；

6.8 马尔科夫决策过程；       6.9 贝尔曼方程、最优策略；

6.10 策略迭代、值迭代；      6.11 Q Learning；

6.12 SarsaLamda；            6.13 DQN；

6.14 A3C；                   6.15 ELF；

第六节

第六节：代码和案例实践：

6.1 图片生成；        6.2 看图说话；    6.3 OpenAI；

6.4 飞翔的小鸟游戏；  6.5 基于增强学习的游戏学习；

6.6 DQN的实现；