机器学习与深度学习算法及应用培训
目标收益
通过课程学习,可以理解机器学习的思维方式和关键技术;了解深度学习和机器学习在当前工业界的落地应用;能够根据数据分布选择合适的算法模型并书写代码,初步胜任使用Python进行数据挖掘、机器学习、深度学习等工作。
培训对象
具备一定的Python和深度学习基础,希望深入了解深度学习的目标检测、实体识别、关系抽取、GAN、时间序列分析、强化学习等实用化技术的工程技术人员。
课程大纲
第一节:Python机器学习与TensorFlow | numpy/scipy/matplotlib/panda的介绍和典型使用 scikit-learn的介绍和典型使用 多元线性回归 Logistics回归与Softmax回归 决策树和随机森林 SVM 多种聚类的原理和调参 TensorFlow典型应用 典型图像处理 多项式拟合 快速傅里叶变换FFT 奇异值分解SVD Soble/Prewitt/Laplacian算子与卷积网络 |
代码和案例实践: | 股票交易数据的(指数)移动平均线与预测 无人机图像的风机叶片缺陷检测和识别系统 环保检测数据异常检测和分析 股票数据分析 社会学人群收入预测 葡萄酒数据集的决策树/随机森林分类 泰坦尼克乘客存活率估计 |
第二节:卷积神经网络CNN | 神经网络结构,滤波器,卷积 池化,激活函数,反向传播 目标分类与识别、目标检测与追踪 经典AlexNet、VGG、GoogleLeNet Inception ResNet、DenseNet 视频关键帧处理 物体检测与定位 RCNN,Fast-RCNN,Faster-RCNN,MaskRCNN YOLO FaceNet |
代码和案例实践: | 搭建自己的卷积神经网络 基于CNN的图像识别 卷积神经网络调参经验分享 |
代码和案例实践: | 迁移学习(TransferLearning) 人脸检测 OCR字体定位和识别 睿客识云 气象识别 |
第三节:循环神经网络RNN | RNN基本原理 LSTM、GRU Attention 编码器与解码器结构 言特征提取:word2vec Seq2seq模型 |
代码和案例实践: | 看图说话 视频理解 藏头诗生成 问答对话系统 循环神经网络调参经验分享 |
第四节:生成对抗网络GAN与增强学习RL | 生成模型:贝叶斯、HMM到深度生成模型 GAN对抗生成神经网络 DCGAN ConditionalGAN InfoGan WassersteinGAN 马尔科夫决策过程 贝尔曼方程、最优策略 策略迭代、值迭代 QLearning SarsaLamda DQN A3C |
代码和案例实践: | 图片生成 看图说话 对抗生成神经网络调参经验分享 飞翔的小鸟游戏 基于增强学习的游戏学习 DQN的实现 |