人工智能初覽
|
1. 人工智能基本概念
2. 人工智能的核心技術(shù)
3. 人工智能的應(yīng)用領(lǐng)域介紹 |
| 初探機器學(xué)習(xí) |
1. 機器學(xué)習(xí)要解決的問題
2. 有監(jiān)督無監(jiān)督問題
3. 機器學(xué)習(xí)能做什么
4. 機器學(xué)習(xí)算法概覽
5. 機器學(xué)習(xí)應(yīng)用案例分析
- 特征提取
- 預(yù)處理，歸一化
- 分類解決方案
- 聚類解決方案
- 機器學(xué)習(xí)實現(xiàn)與執(zhí)行
- 結(jié)果分析
|
| Python數(shù)據(jù)分析框架概覽 |
1. NumPy數(shù)據(jù)結(jié)構(gòu)與處理
2. Pandas數(shù)據(jù)組織與計算
3. Matplotlib數(shù)據(jù)可視化 |
| 機器學(xué)習(xí)案例實戰(zhàn)與算法解析
?
|
| 線性回歸實現(xiàn)銷售數(shù)據(jù)預(yù)測 |
1. 線性回歸介紹與公式推導(dǎo)
2. 多變量線性歸回與梯度下降
3. 數(shù)據(jù)歸一化與模型優(yōu)化
4. 線性回歸預(yù)測銷售數(shù)據(jù)
5. 保存模型，欠擬合與過擬合 |
| 樸素貝葉斯實現(xiàn)文檔分類 |
1. 概率基礎(chǔ) (聯(lián)合概率、條件概率)
2. 貝葉斯定律、分類算法
3. 特征工程、TF-IDF與文檔分類
4. 多項分布與高斯分布
5. 貝葉斯算法根據(jù)文檔關(guān)鍵字實現(xiàn)分類 |
| 深度學(xué)習(xí)框架實踐Tensorflow |
1、 深度學(xué)習(xí)與機器學(xué)習(xí)區(qū)別介紹
2、 環(huán)境搭建、第一個案例
3、 張量、變量、操作
4、 會話與優(yōu)化器
5、 TensorFlow流程圖與可視化
6、 Tensorflow框架介紹
7、 TensorFlow和其他深度學(xué)習(xí)框架的對比
8、 Tensorflow 下載及安裝
9、 Tensorflow 架構(gòu)
10、 實戰(zhàn)：Tensorflow 案例實踐
11、 某業(yè)務(wù)領(lǐng)域的的機器學(xué)習(xí)于分析 |
| DNN深度神經(jīng)網(wǎng)絡(luò)實現(xiàn)手寫體數(shù)字識別 |
1. 線性不可分問題
2. 隱藏層、輸出神經(jīng)元介紹與實現(xiàn)
3. 激活函數(shù)介紹與不同激活函數(shù)區(qū)別
4. 自定義DNN優(yōu)化手寫識別效率
5. 采用可視化圖片顯示識別結(jié)果
6. DNN優(yōu)缺點與注意事項
? |
| CNN圖形圖像識別案例項目 |
1. CIFAR項目需求介紹
2. 分析愛data_batch數(shù)據(jù)集
3. CNN卷積神經(jīng)網(wǎng)絡(luò)介紹
4. 卷積、深度、池化、步長、激活函數(shù)
5. 采用CNN完成CIFAR物體分類
? |
| 使用 Keras 進行深度學(xué)習(xí)案例解析 |
1、 Keras 簡介
2、 Keras與TensorFlow比較
3、 Keras的模塊結(jié)構(gòu)
4、 Keras 中的模型
5、 Keras 支持的對象概念
6、 Keras 中的數(shù)據(jù)處理
7、 使用Keras構(gòu)建深度學(xué)習(xí)模型
8、 Keras案例實戰(zhàn)
- 動物分類器實現(xiàn)
- 采用Keras實現(xiàn)非線性回歸
- 生成式對抗神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用
- 模塊結(jié)構(gòu)分析與優(yōu)化策略
- 深度學(xué)習(xí)總復(fù)習(xí)，和前沿文獻介紹
|
