課程簡介
機器學習(深度學習)算法和應用
目標收益
幻燈片算法講解,結合代碼分析,剖析算法原理;實際應用舉例和和業(yè)界趨勢分析;成熟開源框架介紹和實例(Numpy, Pandas, Sklearn, Keras, TensorFlow,)。
內容分7大部分:DNN 入門和基本模型;模型評估、調參和優(yōu)化;卷積神經網絡 CNN 原理和實踐;循環(huán)神經網絡RNN原理和實踐;GAN;無監(jiān)督學習;增強學習。
完成課程后,學員能夠了解深度學習的流程步驟;理解用深度學習方法解決實際問題的方法和思路;初步掌握基礎深度學習的算法和實現方法,并應用于多種項目中。
培訓對象
對深度學習算法原理和應用感興趣,具有一定編程(Python)和數學基礎(線性代數、微積分、概率論)的技術人員。
課程大綱
PART I: 入門和基本 DNN 模型 |
1. 深度學習概要 什么是深度學習 & 與機器學習的異同 2. 多層感知器模型 Multi-Layer Perceptron – MLP 神經元 權重和激活 Neurons Weight Activation 神經元網絡 Neuron Networks 訓練網絡 Training Networks Back-propagation 算法和計算圖 多種自適應學習率算法 Adaptive Learning Rate 3. 用 Keras 搭建 MLP 載入數據 定義-編譯-訓練-測試模型 |
PART II: 評估、調參和優(yōu)化模型 |
4. 評估深度學習模型的性能 切分數據集合 Data Splitting 手工 k-fold cross validation 5. 通用深度學習工具集 Keras + Scikit-Learn 用 cross-validation 評估模型用 grid-search 微調超參數 6. 項目:用 MLP 進行多元分類 – 植物品種分類 7. 項目:用 MLP 進行二元分類 – 聲吶探測物體信號分析 8. 項目:用 MLP 進行回歸 – Boston 房屋價格預測 9. 序列化保存模型 10. 通過 check point 機制獲取最佳模型 11. 通過繪制模型歷史理解訓練行為 12. 通過 dropout regularization 降低模型過擬合 13. 選取不同的 Learning Rate Schedule 提升模型性能 |
PART III: 卷積神經網絡 CNN |
14. 卷積神經網絡 Convolutional Neural Network 14.1 CNN 原理和構造: - 核 Filter 和卷積運算 Convolutional Layer - 特征圖 Feature Maps - 池化層 Pooling - 全連接層 Full Connected Layer - Dropout 和 Batch Normalization - CNN 最佳實踐 14.2 CNN 實踐 - 項目:用 CNN 進行手寫體識別 - 練習:在 CNN 圖像識別中通過 Image Augmentation 技術提升模型性能 - 項目:用 CNN 進行圖片物體識別 - 項目:用 CNN 電影評論情緒預測 - 項目:用 CNN 進行圖像 segmentation |
PART IV: 循環(huán)神經網絡 Recurrent Neural Networks – RNN |
15. 循環(huán)神經網絡 Recurrent Neural Networks 15.1 RNN 原理一:基本 RNN - 處理序列(Sequence)數據的神經網絡 - 循環(huán)神經網 RNN 架構 - RNN 訓練:如何在訓練中獲得穩(wěn)定的梯度下降 - RNN 網絡演化歷史:RNN,LSTM,GRU 結構比較和分析 15.2 RNN 實踐一:RNN 回歸 - 項目:用 MLP 進行時間序列預測 - 項目:用長短記憶網絡(Long-Short Term Memory, LSTM)進行時間序列預測 子項目 1) 用 LSTM 進行回歸 子項目 2)用 LSTM 序列窗口(Window method)進行回歸 子項目 3) 用 LSTM 時間步長(Time Step)進行回歸 子項目 4) 用 LSTM 記憶(Memory)進行回歸 & Stacked LSTM 15.3 RNN 實踐二:RNN 分類 - 項目:對電影評論進行序列分類 Sequence Classification - 項目:使用 dropout LSTM - 項目:結合使用 CNN 和 RNN 進行序列分類15.4 RNN 實踐三:用 RNN 進行文本生成 – one char - 項目:用 LSTM 進行 one-char 生成 - 項目:用 LSTM feature-window 進行 one-char 生成 - 項目:用 LSTM time-step 進行 one-char 生成 - 項目:用 LSTM 批內樣本間保持狀態(tài)進行 one-char 生成 - 項目:有狀態(tài) LSTM 進行 one-char 生成 - 項目:變長輸入 LSTM 15.5 RNN 實踐四:RNN 進行文本生成 – sequence - 項目:用 LSTM 生成文本序列 - 項目:深度 LSTM 生成文本 - 討論:如何進一步提高模型 performance 15.6 更多 RNN 模型(可選)例如: - image captioning 圖像字幕 - machine translation 機器翻譯 - dialogue generation 對話生成 |
PART V: CV與NLP前沿介紹 |
16. 計算機視覺 CV 前沿:對抗生成網絡(Generative Adversarial Network,GAN)介紹 17. 自然語言處理 NLP 前沿:變形金剛(Transformer)及其變種介紹 |
PART I: 入門和基本 DNN 模型 1. 深度學習概要 什么是深度學習 & 與機器學習的異同 2. 多層感知器模型 Multi-Layer Perceptron – MLP 神經元 權重和激活 Neurons Weight Activation 神經元網絡 Neuron Networks 訓練網絡 Training Networks Back-propagation 算法和計算圖 多種自適應學習率算法 Adaptive Learning Rate 3. 用 Keras 搭建 MLP 載入數據 定義-編譯-訓練-測試模型 |
PART II: 評估、調參和優(yōu)化模型 4. 評估深度學習模型的性能 切分數據集合 Data Splitting 手工 k-fold cross validation 5. 通用深度學習工具集 Keras + Scikit-Learn 用 cross-validation 評估模型用 grid-search 微調超參數 6. 項目:用 MLP 進行多元分類 – 植物品種分類 7. 項目:用 MLP 進行二元分類 – 聲吶探測物體信號分析 8. 項目:用 MLP 進行回歸 – Boston 房屋價格預測 9. 序列化保存模型 10. 通過 check point 機制獲取最佳模型 11. 通過繪制模型歷史理解訓練行為 12. 通過 dropout regularization 降低模型過擬合 13. 選取不同的 Learning Rate Schedule 提升模型性能 |
PART III: 卷積神經網絡 CNN 14. 卷積神經網絡 Convolutional Neural Network 14.1 CNN 原理和構造: - 核 Filter 和卷積運算 Convolutional Layer - 特征圖 Feature Maps - 池化層 Pooling - 全連接層 Full Connected Layer - Dropout 和 Batch Normalization - CNN 最佳實踐 14.2 CNN 實踐 - 項目:用 CNN 進行手寫體識別 - 練習:在 CNN 圖像識別中通過 Image Augmentation 技術提升模型性能 - 項目:用 CNN 進行圖片物體識別 - 項目:用 CNN 電影評論情緒預測 - 項目:用 CNN 進行圖像 segmentation |
PART IV: 循環(huán)神經網絡 Recurrent Neural Networks – RNN 15. 循環(huán)神經網絡 Recurrent Neural Networks 15.1 RNN 原理一:基本 RNN - 處理序列(Sequence)數據的神經網絡 - 循環(huán)神經網 RNN 架構 - RNN 訓練:如何在訓練中獲得穩(wěn)定的梯度下降 - RNN 網絡演化歷史:RNN,LSTM,GRU 結構比較和分析 15.2 RNN 實踐一:RNN 回歸 - 項目:用 MLP 進行時間序列預測 - 項目:用長短記憶網絡(Long-Short Term Memory, LSTM)進行時間序列預測 子項目 1) 用 LSTM 進行回歸 子項目 2)用 LSTM 序列窗口(Window method)進行回歸 子項目 3) 用 LSTM 時間步長(Time Step)進行回歸 子項目 4) 用 LSTM 記憶(Memory)進行回歸 & Stacked LSTM 15.3 RNN 實踐二:RNN 分類 - 項目:對電影評論進行序列分類 Sequence Classification - 項目:使用 dropout LSTM - 項目:結合使用 CNN 和 RNN 進行序列分類15.4 RNN 實踐三:用 RNN 進行文本生成 – one char - 項目:用 LSTM 進行 one-char 生成 - 項目:用 LSTM feature-window 進行 one-char 生成 - 項目:用 LSTM time-step 進行 one-char 生成 - 項目:用 LSTM 批內樣本間保持狀態(tài)進行 one-char 生成 - 項目:有狀態(tài) LSTM 進行 one-char 生成 - 項目:變長輸入 LSTM 15.5 RNN 實踐四:RNN 進行文本生成 – sequence - 項目:用 LSTM 生成文本序列 - 項目:深度 LSTM 生成文本 - 討論:如何進一步提高模型 performance 15.6 更多 RNN 模型(可選)例如: - image captioning 圖像字幕 - machine translation 機器翻譯 - dialogue generation 對話生成 |
PART V: CV與NLP前沿介紹 16. 計算機視覺 CV 前沿:對抗生成網絡(Generative Adversarial Network,GAN)介紹 17. 自然語言處理 NLP 前沿:變形金剛(Transformer)及其變種介紹 |