機器學習及深度學習理論及實操培訓

基于機器學習的大數(shù)據(jù)挖掘創(chuàng)新應用案例培訓
一、課程目標：
本次課程以理論與實際相結合為基準，突出實際性演練，以達到如下二、培訓目標：
（1）了解機器學習、深度學習的基本概念，基本流程、常用算法和適用的場景。
（2）能根據(jù)實際問題熟練地構建人工智能項目建模流程，熟悉掌握數(shù)據(jù)建模過程、處理節(jié)點的操作。
（3）掌握具體的機器學習及深度學習技術以及案例，能根據(jù)業(yè)務場景獨立實戰(zhàn)。
三、培訓對象：
（1）從事企業(yè)機器學習及深度學習相關工作的決策分析、產品及業(yè)務流程設計、場景開發(fā)及維護的相關業(yè)務及技術人員；
（2）需要進行機器學習及深度學習研究的高校、科研院所的科技工作者；
（3）打算從事機器學習與深度學習研究的在校生、在職人員。
四、課程大綱：
時間安排：1-6章需要2-3天；7-10章需要2-3天
一、機器學習相關概念
1、人工智能與大數(shù)據(jù)相關概念
1）人工智能定義
2）大數(shù)據(jù)是什么
3）大數(shù)據(jù)與人工智能的區(qū)別與聯(lián)系
2、數(shù)據(jù)挖掘與機器學習、深度學習的關系
1）什么是數(shù)據(jù)挖掘、機器學習與深度學習
2）三者之間的關系是什么
3）機器學習與傳統(tǒng)數(shù)據(jù)挖掘的差異
二、機器學習分類及實例
1）基于學習方式及實例（監(jiān)督學習、非監(jiān)督學習、半監(jiān)督學習、強化學習）
2）基于算法類似性及實例
3）基于實例的算法及實例
4）基于正則化方法及實例
5）基于神經(jīng)網(wǎng)絡算法及實例
三、機器學習十大主流算法及實例
基于實際脫敏數(shù)據(jù)，講解主流算法，涵蓋線性回歸，邏輯回歸，SVM，KNN，貝葉斯、關聯(lián)規(guī)則、KMeans、混合高斯分布、DBSCAN、PCA、LDA等。
四、機器學習近年來創(chuàng)新且使用算法及實例
基于實際脫敏數(shù)據(jù)，講解當前國際大賽或國際期刊上出現(xiàn)的主流算法UMAP、TNSE、LIGHTGBM、CATBOOST等
五、機器學習案例及學員現(xiàn)場實操指導
現(xiàn)場通過網(wǎng)絡故障預警、用戶流失預警、用戶群特征識別等三個實際案例，講解python如numpy，pandas，sklearn、keras、seaborn、matplotlib等常用庫操作過程。
六、大數(shù)據(jù)與機器學習在企業(yè)生產中的技術實現(xiàn)方案
1、技術框架（含大數(shù)據(jù)平臺、AI平臺、營銷系統(tǒng)、運維系統(tǒng)等）
2、數(shù)據(jù)流向
3、接口方案
4、部署方案
七、深度學習相關概念
1、深度學習是什么及演變歷程
1) 深度學習的由來及本質
2）深度學習演變歷程及每個階段的代表性算法實例
2、深度學習與機器學習的關系
1） 基于理論角度理解深度學習與機器學習的關系（主要指子集關系）
2）基于實操角度理解深度學習與機器學習的關系（基于實際業(yè)務場景如圖像處理場景、離網(wǎng)預警場景理解算法獨立性及相輔性）
八、基于實例及對比機器學習的深度學習關鍵實操步驟分解
1、深度學習如何準備訓練、校驗及測試數(shù)據(jù)集及與機器學習處理差異（附實例講解）
2、深度學習如何實現(xiàn)數(shù)據(jù)預處理及與機器學習處理差異（附實例講解）
3、深度學習如何做特征工程及與機器學習處理差異（附實例講解）
4、深度學習如何定義及構建模型及與機器學習處理差異（附實例講解）
5、深度學習如何評價模型效果及與機器學習處理差異（附實例講解，含損失定義）
九、深度學習主要框架講解
1、深度學習主流框架（tensorflow、keras等）及實例講解
2、深度學習主流網(wǎng)絡層及場景實例講解（含卷積層、BN層、池化層、核心層等）
3、深度學習主流算法及場景實例講解（含CNN\RNN等）
4、深度學習主流開源網(wǎng)絡及場景（含谷歌、微軟等開源模型）
十、深度學習主流應用場景及現(xiàn)場學員實操指導
現(xiàn)場通過圖片識別、看圖說話、圖片自動編碼解碼等三個實際案例，講解python如numpy、pandas、tensorflow、keras、seaborn、matplotlib等常用庫操作過程。

應江勇老師的其它課程