主題
|
課程安排 |
| 人工智能初覽 |
人工智能基本概念
人工智能的核心技術
人工智能的應用領域介紹
- 自然語言處理
- 計算機視覺和圖像識別
- 人臉識別項目
- 數(shù)據(jù)挖掘算法
|
| 第一階段 初探機器學習 |
1. 機器學習要解決的問題
2. 有監(jiān)督無監(jiān)督問題
3. 機器學習能做什么
4. 感知器-線性分類
5. 線性回歸原理,推導
6. 實例：預測泰坦尼克船員能否獲救
7. K近鄰算法原理
8. K近鄰算法代碼實現(xiàn)
9. 實例：使用K近鄰算法測試約會對象 |
| 第二階段 機器學習基礎算法 |
1. 邏輯回歸算法原理,推導
2. 邏輯回歸代碼實現(xiàn)
3. 多分類問題解決方案
4. 一對一分類,一對多分類
5. 決策樹算法模型
6. 熵原理,信息增益
7. 決策樹構建
8. 決策樹代碼實現(xiàn)
9. 貝葉斯算法原理
10. 貝葉斯代碼實現(xiàn)
11. 實例1：使用貝葉斯分類器打造拼寫檢查器
12. 實例2：垃圾郵件分類任務
?
?
|
| 第三階段 機器學習進階算法 |
1. Adaboosting算法原理
2. Boosting機制,優(yōu)勢分析
3. 自適應增強算法代碼實現(xiàn)
4. 實例：使用集成算法改進泰坦尼克號預測
5. 線性支持向量機算法原理推導
6. 支持向量機核變換推導
7. SMO求解支持向量機
8. SMO算法代碼實現(xiàn)
9. 隨機森林算法原理
10. 使用隨機森林衡量選擇特征標準
11. 實例：使用隨機森林改進泰坦尼克獲救預測
12. 聚類算法綜述
13. K-MEANS與DBSCAN算法講解 |
| 第四階段 機器學習實戰(zhàn)項目 |
1. HTTP日志流量數(shù)據(jù)分析
2. 特征提取
3. 預處理，歸一化
4. 分類解決方案
5. 聚類解決方案
6. 二分圖，轉(zhuǎn)移矩陣原理 |
| 第五階段 深度學習基礎 |
1. 人工智能深度學習歷史發(fā)展及簡介
2. 得分函數(shù)
3. 損失函數(shù)
4. 正則化
5. Softmax分類器原理
6. 最優(yōu)化問題
7. 梯度下降
8. 反向傳播 |
| 第六階段 深度學習進階 神經(jīng)網(wǎng)絡 |
1. 神經(jīng)網(wǎng)絡原理
2. 激活函數(shù)
3. 深入神經(jīng)網(wǎng)絡細節(jié)
4. 感受神經(jīng)網(wǎng)絡的強大
5. 實例：神經(jīng)網(wǎng)絡代碼實現(xiàn)并與線性分類對比
?
|
| 第七階段 深度學習核心 卷積神經(jīng)網(wǎng)絡 |
1. 卷積神經(jīng)網(wǎng)絡的強大
2. 卷積神經(jīng)網(wǎng)絡詳解-卷積層
3. 卷積神經(jīng)網(wǎng)絡詳解-池化層
4. 卷積神經(jīng)網(wǎng)絡詳解-全連接層
5. 卷積效果實例 |
| 第八階段 深度學習網(wǎng)絡架構 |
1. 經(jīng)典神經(jīng)網(wǎng)絡實例（ALEXNET,VGG）詳解
2. RNN與LSTM記憶網(wǎng)絡
3. 數(shù)據(jù)增強，網(wǎng)絡設計，參數(shù)初始化
4. 級聯(lián)模式網(wǎng)絡結構分析-人臉檢測算法分析
5. 序列化網(wǎng)絡結構分析-人體姿態(tài)識別算法分析
6. 深度殘差網(wǎng)絡
7. PRISMA如何實現(xiàn)風格轉(zhuǎn)換
8. Faster-rcnn物體檢測框架原理詳解 |
| 第九階段 機器學習平臺TensorFlow詳解 |
1. TensorFlow 的應用場景
2. TensorFlow和其他深度學習框架的對比
3. TensorFlow的線性與邏輯回歸
4. 使用TensorFlow實現(xiàn)自編碼器及多層感知機
5. 使用TensorFlow實現(xiàn)深度神經(jīng)網(wǎng)絡DNN
6. 使用TensorFlow實現(xiàn)經(jīng)典卷積神經(jīng)網(wǎng)絡CNN
7. 使用TensorFlow實現(xiàn)循環(huán)神經(jīng)網(wǎng)絡RNN
8. 使用TensorFlow實現(xiàn)深度強化學習
9. TensorBoard、多GPU并行及分布式并行 |
| 第十階段 機器學習習項目實戰(zhàn) |
1.項目需求分析
2. 數(shù)據(jù)采集與整理
3. 機器學習因子提取與算法設計
4. 搭建機器學習框架
5. 開發(fā)機器學習程序
6.運行結果分析與算法優(yōu)化 |
