課程簡(jiǎn)介
課程強(qiáng)調(diào)動(dòng)手操作；內(nèi)容以代碼落地為主，以理論講解為根，以公式推導(dǎo)為輔。共4天8節(jié)，每節(jié)各3~3.5小時(shí)，講解機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的模型理論和代碼實(shí)踐，梳理機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)的技術(shù)框架，從根本上解決如何使用模型、優(yōu)化模型的問(wèn)題；每次課中，首先闡述算法理論和少量公式推導(dǎo)，然后使用真實(shí)數(shù)據(jù)做數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的數(shù)據(jù)分析、特征選擇、調(diào)參和結(jié)果比較。
目標(biāo)收益
通過(guò)課程學(xué)習(xí)，可以理解機(jī)器學(xué)習(xí)的思維方式和關(guān)鍵技術(shù)；了解深度學(xué)習(xí)和機(jī)器學(xué)習(xí)在當(dāng)前工業(yè)界的落地應(yīng)用；能夠根據(jù)數(shù)據(jù)分布選擇合適的算法模型并書寫代碼，初步勝任使用Python進(jìn)行數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等工作。
培訓(xùn)對(duì)象
課程大綱
| 第一節(jié)：Python與TensorFlow |
解釋器Python2.7/3.6與IDE：Anaconda/Pycharm 列表/元組/字典/類/文件 numpy/scipy/matplotlib/panda的介紹和典型使用 scikit-learn的介紹和典型使用 TensorFlow典型應(yīng)用 典型圖像處理 多種數(shù)學(xué)曲線 多項(xiàng)式擬合 快速傅里葉變換FFT 奇異值分解SVD Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡(luò) |
| 代碼和案例實(shí)踐 |
卷積與(指數(shù))移動(dòng)平均線 股票數(shù)據(jù)分析 缺失數(shù)據(jù)的處理 環(huán)境數(shù)據(jù)異常檢測(cè)和分析 |
| 第二節(jié)：分類回歸與優(yōu)化 |
線性回歸 Logistic/Softmax回歸 廣義線性回歸 L1/L2正則化 Ridge與LASSO Elastic Net 梯度下降算法：BGD與SGD 特征選擇與過(guò)擬合 Softmax回歸的概念源頭 最大熵模型 K-L散度 |
| 代碼和案例實(shí)踐 |
1.股票數(shù)據(jù)的特征提取和應(yīng)用 2.泰坦尼克號(hào)乘客缺失數(shù)據(jù)處理和存活率預(yù)測(cè) 3.環(huán)境檢測(cè)數(shù)據(jù)異常分析和預(yù)測(cè) 4.模糊數(shù)據(jù)查詢和數(shù)據(jù)校正方法 5.PCA與鳶尾花數(shù)據(jù)分類 6.二手車數(shù)據(jù)特征選擇與算法模型比較 7.廣告投入與銷售額回歸分析 8.鳶尾花數(shù)據(jù)集的分類 9.TensorFlow實(shí)現(xiàn)線性回歸 10.TensorFlow實(shí)現(xiàn)Logistic回歸 |
| 第三節(jié)：卷積神經(jīng)網(wǎng)絡(luò)CNN |
神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，濾波器，卷積 池化，激活函數(shù)，反向傳播 目標(biāo)分類與識(shí)別、目標(biāo)檢測(cè)與追蹤 經(jīng)典AlexNet、VGG、GoogleLeNet Inception |
| 代碼和案例實(shí)踐 |
搭建自己的卷積神經(jīng)網(wǎng)絡(luò) 基于CNN的圖像識(shí)別 卷積神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
| 第四節(jié)：圖像視頻的定位與識(shí)別 |
ResNet、DenseNet 視頻關(guān)鍵幀處理 物體檢測(cè)與定位 RCNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，MaskRCNN YOLO FaceNet |
| 代碼和案例實(shí)踐 |
遷移學(xué)習(xí)（Transfer Learning） 人臉檢測(cè) OCR字體定位和識(shí)別 ?？妥R(shí)云 氣象識(shí)別 |
| 第五節(jié)：循環(huán)神經(jīng)網(wǎng)絡(luò)RNN |
RNN基本原理 LSTM、GRU Attention 編碼器與解碼器結(jié)構(gòu) 特征提?。簑ord2vec Seq2seq模型 |
| 代碼和案例實(shí)踐 |
圖片標(biāo)注與圖片問(wèn)答 搭配CNN使用，組成CNN+LSTM模型 Bi-LSTM雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 循環(huán)神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
| 第六節(jié)：自然語(yǔ)言處理 |
語(yǔ)言模型Bi-Gram/Tri-Gram/N-Gram 分詞 詞性標(biāo)注 依存句法分析 語(yǔ)義關(guān)系抽取 詞向量 文本分類 機(jī)器翻譯 文本摘要 閱讀理解 問(wèn)答系統(tǒng) 情感分析 |
| 代碼和案例實(shí)踐 |
輸入法設(shè)計(jì) HMM分詞 文本摘要的生成 智能對(duì)話系統(tǒng)和SeqSeq模型 閱讀理解的實(shí)現(xiàn)與Attention |
| 第七節(jié)：生成對(duì)抗網(wǎng)絡(luò)GAN |
生成與判別 生成模型：貝葉斯、HMM到深度生成模型 GAN對(duì)抗生成神經(jīng)網(wǎng)絡(luò) DCGAN Conditional GAN InfoGan Wasserstein GAN |
| 代碼和案例實(shí)踐 |
圖片生成 看圖說(shuō)話 對(duì)抗生成神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
| 第八節(jié)：增強(qiáng)學(xué)習(xí)RL |
為何使用增強(qiáng)學(xué)習(xí) 馬爾科夫決策過(guò)程 貝爾曼方程、最優(yōu)策略 策略迭代、值迭代 Q Learning SarsaLamda DQN A3C ELF |
| 代碼和案例實(shí)踐 |
飛翔的小鳥游戲 基于增強(qiáng)學(xué)習(xí)的游戲?qū)W習(xí) DQN的實(shí)現(xiàn) |
|
第一節(jié)：Python與TensorFlow 解釋器Python2.7/3.6與IDE：Anaconda/Pycharm 列表/元組/字典/類/文件 numpy/scipy/matplotlib/panda的介紹和典型使用 scikit-learn的介紹和典型使用 TensorFlow典型應(yīng)用 典型圖像處理 多種數(shù)學(xué)曲線 多項(xiàng)式擬合 快速傅里葉變換FFT 奇異值分解SVD Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡(luò) |
|
代碼和案例實(shí)踐 卷積與(指數(shù))移動(dòng)平均線 股票數(shù)據(jù)分析 缺失數(shù)據(jù)的處理 環(huán)境數(shù)據(jù)異常檢測(cè)和分析 |
|
第二節(jié)：分類回歸與優(yōu)化 線性回歸 Logistic/Softmax回歸 廣義線性回歸 L1/L2正則化 Ridge與LASSO Elastic Net 梯度下降算法：BGD與SGD 特征選擇與過(guò)擬合 Softmax回歸的概念源頭 最大熵模型 K-L散度 |
|
代碼和案例實(shí)踐 1.股票數(shù)據(jù)的特征提取和應(yīng)用 2.泰坦尼克號(hào)乘客缺失數(shù)據(jù)處理和存活率預(yù)測(cè) 3.環(huán)境檢測(cè)數(shù)據(jù)異常分析和預(yù)測(cè) 4.模糊數(shù)據(jù)查詢和數(shù)據(jù)校正方法 5.PCA與鳶尾花數(shù)據(jù)分類 6.二手車數(shù)據(jù)特征選擇與算法模型比較 7.廣告投入與銷售額回歸分析 8.鳶尾花數(shù)據(jù)集的分類 9.TensorFlow實(shí)現(xiàn)線性回歸 10.TensorFlow實(shí)現(xiàn)Logistic回歸 |
|
第三節(jié)：卷積神經(jīng)網(wǎng)絡(luò)CNN 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，濾波器，卷積 池化，激活函數(shù)，反向傳播 目標(biāo)分類與識(shí)別、目標(biāo)檢測(cè)與追蹤 經(jīng)典AlexNet、VGG、GoogleLeNet Inception |
|
代碼和案例實(shí)踐 搭建自己的卷積神經(jīng)網(wǎng)絡(luò) 基于CNN的圖像識(shí)別 卷積神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
|
第四節(jié)：圖像視頻的定位與識(shí)別 ResNet、DenseNet 視頻關(guān)鍵幀處理 物體檢測(cè)與定位 RCNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，MaskRCNN YOLO FaceNet |
|
代碼和案例實(shí)踐 遷移學(xué)習(xí)（Transfer Learning） 人臉檢測(cè) OCR字體定位和識(shí)別 ?？妥R(shí)云 氣象識(shí)別 |
|
第五節(jié)：循環(huán)神經(jīng)網(wǎng)絡(luò)RNN RNN基本原理 LSTM、GRU Attention 編碼器與解碼器結(jié)構(gòu) 特征提?。簑ord2vec Seq2seq模型 |
|
代碼和案例實(shí)踐 圖片標(biāo)注與圖片問(wèn)答 搭配CNN使用，組成CNN+LSTM模型 Bi-LSTM雙向循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 循環(huán)神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
|
第六節(jié)：自然語(yǔ)言處理 語(yǔ)言模型Bi-Gram/Tri-Gram/N-Gram 分詞 詞性標(biāo)注 依存句法分析 語(yǔ)義關(guān)系抽取 詞向量 文本分類 機(jī)器翻譯 文本摘要 閱讀理解 問(wèn)答系統(tǒng) 情感分析 |
|
代碼和案例實(shí)踐 輸入法設(shè)計(jì) HMM分詞 文本摘要的生成 智能對(duì)話系統(tǒng)和SeqSeq模型 閱讀理解的實(shí)現(xiàn)與Attention |
|
第七節(jié)：生成對(duì)抗網(wǎng)絡(luò)GAN 生成與判別 生成模型：貝葉斯、HMM到深度生成模型 GAN對(duì)抗生成神經(jīng)網(wǎng)絡(luò) DCGAN Conditional GAN InfoGan Wasserstein GAN |
|
代碼和案例實(shí)踐 圖片生成 看圖說(shuō)話 對(duì)抗生成神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
|
第八節(jié)：增強(qiáng)學(xué)習(xí)RL 為何使用增強(qiáng)學(xué)習(xí) 馬爾科夫決策過(guò)程 貝爾曼方程、最優(yōu)策略 策略迭代、值迭代 Q Learning SarsaLamda DQN A3C ELF |
|
代碼和案例實(shí)踐 飛翔的小鳥游戲 基于增強(qiáng)學(xué)習(xí)的游戲?qū)W習(xí) DQN的實(shí)現(xiàn) |
近期公開(kāi)課推薦
