TensorFlow/PyTorch机器学习框架实战培训课程（监督/无监督学习）
【培训对象】
具备Python基础，希望进入人工智能领域的开发人员、数据分析师、算法工程师，以及需要使用主流框架实现机器学习模型的从业者。
【培训目标】
一、 理解机器学习的基本概念和主要任务类型（监督学习、无监督学习）。
二、 掌握TensorFlow 2.x和PyTorch两大主流深度学习框架的核心API和编程范式。
三、 能够使用这两个框架构建、训练和评估常见的机器学习模型，包括线性回归、逻辑回归、神经网络等。
四、 具备将模型应用于实际数据集，并解决简单回归/分类问题的能力。
【培训内容介绍】
一、 机器学习与深度学习基础：机器学习流程（数据、模型、训练、评估）、监督学习与非监督学习、神经网络基本原理。
二、 TensorFlow 2.x基础：张量（Tensor）、计算图、自动微分、tf.keras高阶API构建模型。
三、 PyTorch基础：张量（Tensor）、自动求导机制、torch.nn模块构建模型、优化器与损失函数。
四、 数据加载与预处理：TensorFlow的tf.data API和PyTorch的DataLoader，数据增强、归一化、批次处理。
五、 线性回归与逻辑回归：使用两种框架实现线性回归和逻辑回归模型，理解梯度下降优化过程。
六、 全连接神经网络（多层感知机MLP）：构建多层神经网络，激活函数（ReLU, Sigmoid等）、Dropout正则化。
七、 模型编译、训练与评估：配置优化器、损失函数和评估指标，编写训练循环（自定义循环与内置fit方法），过拟合与欠拟合处理。
八、 卷积神经网络（CNN）基础：卷积层、池化层原理，使用两种框架构建简单的CNN模型进行图像分类。
九、 循环神经网络（RNN）基础：RNN、LSTM、GRU单元原理，构建简单的RNN模型进行文本分类或时序预测。
十、 无监督学习实践：使用两种框架实现自编码器（Autoencoder）进行特征学习或异常检测。
十一、 模型保存与加载：保存和恢复训练好的模型，模型格式转换，模型导出为部署格式。
十二、 实战演练：使用TensorFlow和PyTorch分别完成一个图像分类任务（如手写数字识别）和一个文本分类任务（如情感分析），并进行模型对比。
