机器学习与深度学习算法及应用培训课程
目标收益
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。
培训对象
具备一定的Python和深度学习基础，希望深入了解深度学习的目标检测、实体识别、关系抽取、GAN、时间序列分析、强化学习等实用化技术的工程技术人员。
课程大纲
|
第一节：Python机器学习与TensorFlow
|
numpy/scipy/matplotlib/panda的介绍和典型使用
scikit-learn的介绍和典型使用
多元线性回归
Logistics回归与Softmax回归
决策树和随机森林
SVM
多种聚类的原理和调参
TensorFlow典型应用
典型图像处理
多项式拟合
快速傅里叶变换FFT
奇异值分解SVD
Soble/Prewitt/Laplacian算子与卷积网络
|
|
代码和案例实践：
|
股票交易数据的 (指数)移动平均线与预测
无人机图像的风机叶片缺陷检测和识别系统
环保检测数据异常检测和分析
股票数据分析
社会学人群收入预测
葡萄酒数据集的决策树/随机森林分类
泰坦尼克乘客存活率估计
|
|
第二节：卷积神经网络CNN
|
神经网络结构，滤波器，卷积
池化，激活函数，反向传播
目标分类与识别、目标检测与追踪
经典AlexNet、VGG、GoogleLeNet
Inception
ResNet、DenseNet
视频关键帧处理
物体检测与定位
RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN
YOLO
FaceNet
|
|
代码和案例实践：
|
搭建自己的卷积神经网络
基于CNN的图像识别
卷积神经网络调参经验分享
|
|
代码和案例实践：
|
迁移学习（Transfer Learning）
人脸检测
OCR字体定位和识别
睿客识云
气象识别
|
|
第三节：循环神经网络RNN
|
RNN基本原理
LSTM、GRU
Attention
编码器与解码器结构
言特征提取：word2vec
Seq2seq模型
|
|
代码和案例实践：
|
看图说话
视频理解
藏头诗生成
问答对话系统
循环神经网络调参经验分享
|
|
第四节：生成对抗网络GAN与增强学习RL
|
生成模型：贝叶斯、HMM到深度生成模型
GAN对抗生成神经网络
DCGAN
Conditional GAN
InfoGan
Wasserstein GAN
马尔科夫决策过程
贝尔曼方程、最优策略
策略迭代、值迭代
Q Learning
SarsaLamda
DQN
A3C
|
|
代码和案例实践：
|
图片生成
看图说话
对抗生成神经网络调参经验分享
飞翔的小鸟游戏
基于增强学习的游戏学习
DQN的实现
|
