課程簡介
課程強調動手操作；內容以代碼落地為主，以理論講解為根，以公式推導為輔。講解機器學習和深度學習的模型理論和代碼實踐，梳理機器學習、深度學習、計算機視覺的技術框架，從根本上解決如何使用模型、優(yōu)化模型的問題；每次課中，首先闡述算法理論和少量公式推導，然后使用真實數(shù)據(jù)做數(shù)據(jù)挖掘、機器學習、深度學習的數(shù)據(jù)分析、特征選擇、調參和結果比較。
目標收益
通過課程學習，可以理解機器學習的思維方式和關鍵技術；了解深度學習和機器學習在當前工業(yè)界的落地應用；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進行數(shù)據(jù)挖掘、機器學習、深度學習等工作。
培訓對象
具備一定的Python和深度學習基礎，希望深入了解深度學習的目標檢測、實體識別、關系抽取、GAN、時間序列分析、強化學習等實用化技術的光大工程技術人員。
課程大綱
| 第一節(jié)：Python機器學習與TensorFlow |
numpy/scipy/matplotlib/panda的介紹和典型使用 scikit-learn的介紹和典型使用 多元線性回歸 Logistics回歸與Softmax回歸 決策樹和隨機森林 SVM 多種聚類的原理和調參 TensorFlow典型應用 典型圖像處理 多項式擬合 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 |
| 代碼和案例實踐： |
股票交易數(shù)據(jù)的 (指數(shù))移動平均線與預測 無人機圖像的風機葉片缺陷檢測和識別系統(tǒng) 環(huán)保檢測數(shù)據(jù)異常檢測和分析 股票數(shù)據(jù)分析 社會學人群收入預測 葡萄酒數(shù)據(jù)集的決策樹/隨機森林分類 泰坦尼克乘客存活率估計 |
| 第二節(jié)：卷積神經(jīng)網(wǎng)絡CNN |
神經(jīng)網(wǎng)絡結構，濾波器，卷積 池化，激活函數(shù)，反向傳播 目標分類與識別、目標檢測與追蹤 經(jīng)典AlexNet、VGG、GoogleLeNet Inception ResNet、DenseNet 視頻關鍵幀處理 物體檢測與定位 RCNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，MaskRCNN YOLO FaceNet |
| 代碼和案例實踐： |
搭建自己的卷積神經(jīng)網(wǎng)絡 基于CNN的圖像識別 卷積神經(jīng)網(wǎng)絡調參經(jīng)驗分享 |
| 代碼和案例實踐： |
遷移學習（Transfer Learning） 人臉檢測 OCR字體定位和識別 睿客識云 氣象識別 |
| 第三節(jié)：循環(huán)神經(jīng)網(wǎng)絡RNN |
RNN基本原理 LSTM、GRU Attention 編碼器與解碼器結構 言特征提?。簑ord2vec Seq2seq模型 |
| 代碼和案例實踐： |
看圖說話 視頻理解 藏頭詩生成 問答對話系統(tǒng) 循環(huán)神經(jīng)網(wǎng)絡調參經(jīng)驗分享 |
| 第四節(jié)：生成對抗網(wǎng)絡GAN與增強學習RL |
生成模型：貝葉斯、HMM到深度生成模型 GAN對抗生成神經(jīng)網(wǎng)絡 DCGAN Conditional GAN InfoGan Wasserstein GAN 馬爾科夫決策過程 貝爾曼方程、最優(yōu)策略 策略迭代、值迭代 Q Learning SarsaLamda DQN A3C |
| 代碼和案例實踐： |
圖片生成 看圖說話 對抗生成神經(jīng)網(wǎng)絡調參經(jīng)驗分享 飛翔的小鳥游戲 基于增強學習的游戲學習 DQN的實現(xiàn) |
|
第一節(jié)：Python機器學習與TensorFlow numpy/scipy/matplotlib/panda的介紹和典型使用 scikit-learn的介紹和典型使用 多元線性回歸 Logistics回歸與Softmax回歸 決策樹和隨機森林 SVM 多種聚類的原理和調參 TensorFlow典型應用 典型圖像處理 多項式擬合 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 |
|
代碼和案例實踐： 股票交易數(shù)據(jù)的 (指數(shù))移動平均線與預測 無人機圖像的風機葉片缺陷檢測和識別系統(tǒng) 環(huán)保檢測數(shù)據(jù)異常檢測和分析 股票數(shù)據(jù)分析 社會學人群收入預測 葡萄酒數(shù)據(jù)集的決策樹/隨機森林分類 泰坦尼克乘客存活率估計 |
|
第二節(jié)：卷積神經(jīng)網(wǎng)絡CNN 神經(jīng)網(wǎng)絡結構，濾波器，卷積 池化，激活函數(shù)，反向傳播 目標分類與識別、目標檢測與追蹤 經(jīng)典AlexNet、VGG、GoogleLeNet Inception ResNet、DenseNet 視頻關鍵幀處理 物體檢測與定位 RCNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，MaskRCNN YOLO FaceNet |
|
代碼和案例實踐： 搭建自己的卷積神經(jīng)網(wǎng)絡 基于CNN的圖像識別 卷積神經(jīng)網(wǎng)絡調參經(jīng)驗分享 |
|
代碼和案例實踐： 遷移學習（Transfer Learning） 人臉檢測 OCR字體定位和識別 ?？妥R云 氣象識別 |
|
第三節(jié)：循環(huán)神經(jīng)網(wǎng)絡RNN RNN基本原理 LSTM、GRU Attention 編碼器與解碼器結構 言特征提?。簑ord2vec Seq2seq模型 |
|
代碼和案例實踐： 看圖說話 視頻理解 藏頭詩生成 問答對話系統(tǒng) 循環(huán)神經(jīng)網(wǎng)絡調參經(jīng)驗分享 |
|
第四節(jié)：生成對抗網(wǎng)絡GAN與增強學習RL 生成模型：貝葉斯、HMM到深度生成模型 GAN對抗生成神經(jīng)網(wǎng)絡 DCGAN Conditional GAN InfoGan Wasserstein GAN 馬爾科夫決策過程 貝爾曼方程、最優(yōu)策略 策略迭代、值迭代 Q Learning SarsaLamda DQN A3C |
|
代碼和案例實踐： 圖片生成 看圖說話 對抗生成神經(jīng)網(wǎng)絡調參經(jīng)驗分享 飛翔的小鳥游戲 基于增強學習的游戲學習 DQN的實現(xiàn) |
近期公開課推薦
