艾威 机器学习与深度学习培训招生简章(2019)

2019-01-03
课程背景


人工智能的浪潮正在席卷全球,各种培训课程应运而生,但真正能让学员系统、全面掌握知识点,并且能学以致用的实战课程并不多见。本课程包含机器学习、深度学习的重要概念及常用算法(决策树、关联规则、聚类、贝叶斯网络、神经网络、支持向量机、隐马尔科夫模型、遗传算法、CNN、RNN、GAN等),以及人工智能领域当前的热点。通过6天的系统学习、案例讲解和动手实践,让学员能初步迈入机器学习和深度学习的知识殿堂。


课程介绍

>>>> 课程对象

计算机相关专业本科;或理工科本科,且至少熟悉一门编程语言。

具备初步的IT基础知识


>>>> 课程特点

本课程力图理论结合实践,强调从零开始,重视动手实践;课程内容以原理讲解为根本,以应用落地为目标。课程通过大量形象的比喻和手算示例来解释复杂的机器学习理论,既能将原理充分讲懂讲透,也避免了繁复而枯燥的公式推导。


>>>> 培训时间

6天(6小时/天)


>>>> 讲师介绍

王博士、高级工程师。2005年上海交通大学计算机专业博士毕业,主研方向为数据挖掘、机器学习、人工智能等。现为某大型上市软件企业的人工智能团队技术负责人。曾主持设计并搭建上海市卫计委卫生大数据平台、无锡市卫生大数据平台,在大数据、人工智能应用等方面有着丰富的工程实践经验。先后在SCI或EI期刊上发表论文4篇,在中文核心期刊上发表论文近20篇,并被百度学术收录。2011年获中国医院协会科技创新一等奖。

课程安排

>>>> 课程内容

时间

内容

案例实践与练习

Day1初识机器学习

上午

概述入门

数据预处理

概述(第一天——1)

概念与术语(人工智能、数据挖掘、机器学习)

数据挖掘的对象

数据挖掘的关键技术

知识的表达

Python的安装


数据预处理(第一天——2)

数据清理

规范化

模糊集

粗糙集

无标签时:PCA

有标签时:Fisher线性判别

数据压缩(DFT、小波变换)

案例实践:

python安装

Tensorflow安装

PCA的实验

DFT的实验

Day1初识机器学习

下午

回归与时序分析

决策树

回归与时序分析 (第一天——3)

线性回归

非线性回归

logistics回归

平稳性、截尾与拖尾

ARIMA


决策树(第一天——4)

分类和预测

熵减过程与贪心法

ID3

C4.5

其他改进方法

决策树剪枝

案例实践:

回归的实验

ARIMA预测实验

决策树的实验


Day2机器学习中的典型算法

上午

聚类

关联规则

朴素贝叶斯与KNN

聚类(第二天——1)

监督学习与无监督学习

K-means与k-medoids

层次的方法

基于密度的方法

基于网格的方法

孤立点分析


关联规则(第二天——2)

频繁项集

支持度与置信度

提升度

Apriori性质

连接与剪枝


朴素贝叶斯与KNN(第二天——3)

KNN

概率论基础:条件概率、联合概率、分布、共轭先验。

“概率派”与“贝叶斯派”

朴素贝叶斯模型


案例实践:

鸢尾花数据的聚类

超市购物篮——关联规则分析

朴素贝叶斯案例:皮马印第安人患糖尿病的风险

Day2机器学习中的典型算法

下午

极大似然估计与EM算法

性能评价指标

极大似然估计与EM算法(第二天——4)

极大似然估计

对数似然函数

EM算法


性能评价指标(第二天——5)

准确率;精确率、召回率;F1

真阳性率、假阳性率

混淆矩阵

ROC与AUC

对数损失

Kappa系数

回归:平均绝对误差、平均平方误差

聚类:兰德指数、互信息

k折验证

案例实践:

正态分析的参数估计

EM算法应用案例:双正态分布的参数估计

绘制ROC并计算AUC、F1

绘制拟合曲线,计算拟合优度

Day3神经网络专题

上午

BP神经网络

模拟退火算法与其他神经网络

BP神经网络 (第三天——1)

人工神经元及感知机模型

前向神经网络

sigmoid

径向基函数神经网络

误差反向传播


模拟退火算法与其他神经网络 (第三天——2)

模拟退火算法

Hopfield网络

自组织特征映射神经网络(SOM)

受限布尔兹曼机 

案例实践:

可以手算的神经网络

神经网络模拟一个圆锥曲面

“货郎担”问题(模拟退火算法)

识别破损的字母(Hopfield网络)

聚类的另一种解法(SOM)

Day3神经网络专题


下午

机器学习中的最优化方法

遗传算法

机器学习中的最优化方法(第三天——3)

参数学习方法

损失函数(或目标函数)

梯度下降

随机梯度下降

牛顿法

拟牛顿法


遗传算法 (第三天——4)

种群、适应性度量

交叉、选择、变异

基本算法

案例实践:

随机梯度下降的例子

牛顿法求Rosenbrock(香蕉函数)的极值

“同宿舍”问题:遗传算法


Day4机器学习进阶

上午

支持向量机

隐马尔科夫模型

支持向量机 (第四天——1)

统计学习问题

支持向量机

核函数

多分类的支持向量机

用于连续值预测的支持向量机


隐马尔科夫模型(第四天——2)

马尔科夫过程

隐马尔科夫模型

三个基本问题(评估、解码、学习)

前向-后向算法

Viterbi算法

Baum-Welch算法


案例实践:

SVM:iris的三个分类

HMM示例:天气与地表积水、罐中的彩球

HMM之前向算法:掷骰子的序列

HMM之viterbi算法:是否生病了?

Day4机器学习进阶

下午

文本挖掘

从LSA到LDA

文本挖掘(第四天——3)

1、文本分析功能

2、文本特征的提取

4、TF-IDF

5、文本分类

5、文本聚类


从LSA到LDA(第四天——3)

LSA

pLSA

LDA


案例实践:

英文文本分析;

中文文本分析:《绝代双骄》

中文语句情感分析

LSA和LDA的比较


Day5机器学习进阶与深度学习初步

上午

利用无标签的样本

集成学习

利用无标签的样本(第五天——1)

半监督学习

直推式学习

主动学习


集成学习(第五天——2)

bagging

co-training

adaboost

随机森林

GBDT

案例实践:

半监督学习:SVM标签扩展;

主动学习:手写数字

3、bagging、adaboost、RF、GBDT的例子

Day5机器学习进阶与深度学习初步

下午

强化学习

深度学习-1

强化学习(第五天——3)

agent的属性

exploration and exploitation

Bellman期望方程

最优策略

策略迭代与价值迭代

Q学习算法


深度学习-1(第五天——4)

连接主义的兴衰

深度学习与神经网络的区别与联系

目标函数

激励函数

学习步长

案例实践:

强化学习示例:走迷宫

强化学习:谷底的小车

深度学习示例:模式识别

Day6深度学习

上午

深度学习-2

深度学习-3

深度学习-2(第六天——1)

优化算法

Adagrad

RMSprop

Adam

避免过适应

深度学习-3(第六天——2)

典型应用场景

CNN

各种CNN

RNN

LSTM、GRU

案例实践:

CNN的准备示例

CNN处理MNIST手写数字数据集

RNN准备示例

RNN分析股票趋势

LSTM的准备示例


Day6深度学习

下午

深度学习-4

GAN

DQN


案例实践:

DQN结合CNN:“flappy bird”


课程目的

掌握数据挖掘与机器学习基本知识;

掌握数据挖掘与机器学习进阶知识;

掌握深度学习的理论与实践;

掌握Python开发技能;

掌握深度学习工具:TensorFlow、Keras等;

为学员的后续项目应用提供针对性的建议。



其他