大數(shù)據(jù)與人工智能實(shí)用培訓(xùn)課程

大數(shù)據(jù)與人工智能實(shí)用培訓(xùn)課程介紹：

本培訓(xùn)實(shí)踐與理論并重，通過理論講解，算法闡述，算法適用場景，實(shí)例分析和編碼實(shí)踐，以及對最新的人工智能算法的趨勢和熱點(diǎn)的分析和介紹，使學(xué)員不僅掌握機(jī)器學(xué)習(xí)，人工智能領(lǐng)域常用算法，而且可以在實(shí)戰(zhàn)中應(yīng)用機(jī)器學(xué)習(xí)人工智能解決工作中的實(shí)際問題，從而幫助企業(yè)在人工智能時(shí)代拔得頭籌占得先機(jī)

大數(shù)據(jù)與人工智能培訓(xùn)課程大綱：

1人工智能和機(jī)器學(xué)習(xí)概述
人工智能發(fā)展史
應(yīng)用場景概述：如圖像識別，文本分析，推薦系統(tǒng)
最近成果概述：如強(qiáng)化學(xué)習(xí)，生成式對抗網(wǎng)絡(luò)，基于低能量的網(wǎng)絡(luò)，one-shot leaning
軟件框架概述，如sparkML，sklean，tensorflow，caffe，Theano

2 線性回歸
通過圖形直觀展示線性回歸算法
線性回歸算法詳解—成本函數(shù)和參數(shù)更新函數(shù)
機(jī)器是怎么學(xué)習(xí)? --梯度下降算法詳述
學(xué)的“快”和“好”--學(xué)習(xí)率的權(quán)衡與最佳實(shí)踐
保持相同的“起跑線”的利器-Feature Scaling
多變量線性回歸模型介紹
3 多項(xiàng)式回歸模型
真實(shí)世界不全是線性的--如何應(yīng)對更復(fù)雜的場景
過猶不及--模型的過分?jǐn)M合和擬合不足
訓(xùn)練一個(gè)“恰好”模型的最佳實(shí)踐
模型的優(yōu)劣的評估

4 邏輯回歸
邏輯回歸模型和場景概述
線性匪類器與非線性分類器
激活函數(shù)的多種選擇
cost function的變化
5 多分類的邏輯回歸
one-hot encoding
兩種多分類的方案
one-vs-all方案
soft-max方案
6分類算法：決策樹
分類與聚類
決策樹特點(diǎn)和原理
建立決策樹
最佳劃分的度量：信息熵的應(yīng)用
模型的過分?jǐn)M合和擬合不足
模型優(yōu)劣的評估
7 組合方法
組合分類的基本原理
偏倚-方差分解
隨機(jī)森林
袋裝方法
8 聚類算法：K-means
監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)比較
非監(jiān)督模型場景舉例
圖形展示K-means的訓(xùn)練過程
兩步實(shí)現(xiàn)K-means算法
K的選擇問題
K-means算法導(dǎo)致局部最優(yōu)及最佳實(shí)踐

?