機器學習、深度學習與強化學習(姿態(tài)識別)-5天

機器學習、深度學習與強化學習
【課程時長】
5天（6小時/天）
【課程對象】
理工科本科及以上，且至少了解一門編程語言。
【課程大綱】（培訓內容可根據客戶需求調整）
時間
內容
案例實踐與練習
Day1上午
準備工作
準備工作
決策樹
準備工作（1）
概念與術語
Python（Anaconda）的安裝
Pycharm的安裝與使用
Jupyter Notebook的安裝與使用
Tensorflow與pytorch的安裝
Opencv、Sklearn工具包的運用
決策樹（2）
分類和預測
熵減過程
貪心法
ID3與C4.5
其他改進方法
決策樹剪枝
案例實踐：
Anaconda安裝
Pip install的技巧
Tensorflow-GPU的安裝
pytorch的安裝
Jupyter Notebook的使用
Opencv的基本例子
Day1下午
基礎模型
聚類
BP神經網絡
性能評價指標
聚類（3）
監(jiān)督學習與無監(jiān)督學習
K-means
k-medoids
判斷最優(yōu)聚類個數的調參方法
基于層次、密度、網格的方法
BP神經網絡 （4）
人工神經元及感知機模型
Sigmoid激活函數
前向神經網絡的架構
梯度下降
誤差反向傳播詳解
性能評價指標（5）
精確率；
P、R與F1
ROC與AUC
對數損失
泛化性能評價：k折驗證驗證
案例實踐：
驗證一下：聚類算法是不穩(wěn)定的
手肘法分析NBA球隊的最佳聚類個數
各種聚類方式的圖形化展示
皮馬印第安人糖尿病風險：驗證多種模型
繪制ROC并計算AUC
手算神經網絡BP算法
只用numpy，手推BPNN
Day2上午
深度學習基礎
支持向量機
深度學習基礎知識
支持向量機 （1）
“雙螺旋”問題
基本模型與懲罰項
求解對偶問題
核函數：映射到高維
從二分類到多分類
用于連續(xù)值預測的支持向量機
深度學習基礎知識（2）
連接主義的興衰
深度學習與神經網絡的區(qū)別與聯系
目標函數與激勵函數
學習步長
權重初始化
權重衰減（Weight Decay）
梯度下降的方法：Adagrad \ RMSprop \ Adam
避免過適應
案例實踐：
SVM實現人臉識別應用
通過深度BP網絡實現手寫數字的識別
各種梯度下降方法的實戰(zhàn)效果
Batch normalization的實戰(zhàn)效果
Day2下午
圖像分類 CNN
圖像分類CNN
圖像分類CNN（3）
圖像分類概述
AlexNet
ZF-Net
卷積層的誤差反向傳播
池化層的誤差反向傳播
VGG（5層變?yōu)?組）
遷移學習
GoogLenet和Inception模塊
模型退化與ResNet
DenseNet（充分利用特征）
最新的efficientnet
案例實踐：
VGG各層的可視化展現
遷移學習：識別貓和狗
Resnet用于圖像分類
Day3上午
目標檢測
二階段目標檢測與一階段目標檢測
二階段目標檢測（1）
目標檢測項目介紹
R-CNN
SPPNET（全圖卷積、SPP層）
Fast-RCNN（多任務）
Faster-RCNN（RPN）
一階段目標檢測（2）
YOLO-v1（一切都是回歸）
YOLO -v2（9000）
YOLO -v3（多尺度）
案例實踐：
基于Faster-RCNN的通用目標檢測示例
基于YOLO v3的通用目標快速檢測示例
Day3下午
人體姿態(tài)識別
最新的一階段目標檢測（3）
YOLO -v4
YOLO -v5
YOLO -v6/v7
人體姿態(tài)識別（4）
早期人體姿態(tài)識別
AlphaPose
OpenPose
RMPE
案例實踐：
DeepSOCIAL
RMPE的演示
Day4上午
自然語言處理
自然語言處理初步
隱馬爾科夫模型
自然語言處理初步（1）
語言模型
Bi-Gram與N-Gram
機械分詞與統(tǒng)計分詞
詞性標注
命名實體識別
情感分析
隱馬爾科夫模型（2）
HMM形式化定義
向前向后算法解評估問題
Viterbi算法處理解碼問題
鮑姆韋爾奇算法解學習問題
案例實踐：
jieba的分詞效果
《絕代雙驕》人物關系分析
SnowNLP：褒義的中性詞
出現這種情況可能嗎？
今天身體怎么樣?
Day4下午
強化學習
強化學習初步
強化學習經典方法
強化學習初步（3）
agent的屬性
馬爾科夫獎勵/決策過程
exploration and exploitation
狀態(tài)行為值函數
Bellman期望方程
最優(yōu)策略
強化學習經典方法（4）
策略迭代與價值迭代
蒙特卡洛法
時序差分法
DP、MC、TD的關系
案例實踐：
財寶在右
格子世界
機器人走迷宮
谷底的小車
倒立擺
Day5上午
深度強化學習
深度強化學習
深度強化學習（1）
值函數的參數化表示
值函數的估計過程
深度學習與強化學習的結合
基礎的DQN 方法
Double DQN
Prioritized Replay
Dueling Network
深度強化學習（2）
策略梯度方法介紹
常見的策略表示
減小方差的方法
引入基函數與修改估計值函數
案例實踐：
井字棋
笨鳥先飛：DQN
Day5下午
深度強化學習及其他
深度強化學習
GAN
深度強化學習（3）
圍棋AI的難點
MCTS
策略網絡
價值網絡
Alpha Go的完整架構
Alpha Go zero
GAN（4）
生成對抗網絡（GAN）
KL散度與JS散度
改進的GAN：DCGAN
加上約束：infoGAN
根本上解決：Wasserstein GAN
案例實踐：
alphazero版五子棋
計算機想象的數字
特朗普的孩子？

葉梓老師的其它課程