機(jī)器學(xué)習(xí)與深度學(xué)習(xí)培訓(xùn)

機(jī)器學(xué)習(xí)與深度學(xué)習(xí)培訓(xùn)
【課程時長】
6天（6小時/天）
【課程簡介】
人工智能的浪潮正在席卷全球，各種培訓(xùn)課程應(yīng)運(yùn)而生，但真正能讓學(xué)員系統(tǒng)、全面掌握知識點(diǎn)，并且能學(xué)以致用的實(shí)戰(zhàn)課程并不多見。本課程包含機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的重要概念及常用算法（決策樹、關(guān)聯(lián)規(guī)則、聚類、貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、隱馬爾科夫模型、遺傳算法、CNN、RNN、GAN等），以及人工智能領(lǐng)域當(dāng)前的熱點(diǎn)。通過6天的系統(tǒng)學(xué)習(xí)、案例講解和動手實(shí)踐，讓學(xué)員能初步邁入機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的知識殿堂。
【課程收益】
掌握數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)基本知識；
掌握數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)進(jìn)階知識；
掌握深度學(xué)習(xí)的理論與實(shí)踐；
掌握Python開發(fā)技能；
掌握深度學(xué)習(xí)工具：TensorFlow、Keras等；
為學(xué)員的后續(xù)項目應(yīng)用提供針對性的建議。
【課程特點(diǎn)】
本課程力圖理論結(jié)合實(shí)踐，強(qiáng)調(diào)從零開始，重視動手實(shí)踐；課程內(nèi)容以原理講解為根本，以應(yīng)用落地為目標(biāo)。課程通過大量形象的比喻和手算示例來解釋復(fù)雜的機(jī)器學(xué)習(xí)理論，既能將原理充分講懂講透，也避免了繁復(fù)而枯燥的公式推導(dǎo)。
【課程對象】
計算機(jī)相關(guān)專業(yè)本科；或理工科本科，且至少熟悉一門編程語言。
【學(xué)員基礎(chǔ)】
具備初步的IT基礎(chǔ)知識
【課程大綱】（培訓(xùn)內(nèi)容可根據(jù)客戶需求調(diào)整）
時間
內(nèi)容
案例實(shí)踐與練習(xí)
Day1初識機(jī)器學(xué)習(xí)
上午
概述入門
數(shù)據(jù)預(yù)處理
概述（第一天——1）
概念與術(shù)語（人工智能、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)）
數(shù)據(jù)挖掘的對象
數(shù)據(jù)挖掘的關(guān)鍵技術(shù)
知識的表達(dá)
Python的安裝
數(shù)據(jù)預(yù)處理（第一天——2）
數(shù)據(jù)清理
規(guī)范化
模糊集
粗糙集
無標(biāo)簽時：PCA
有標(biāo)簽時：Fisher線性判別
數(shù)據(jù)壓縮（DFT、小波變換）
案例實(shí)踐：
python安裝
Tensorflow安裝
PCA的實(shí)驗
DFT的實(shí)驗
Day1初識機(jī)器學(xué)習(xí)
下午
回歸與時序分析
決策樹
回歸與時序分析 （第一天——3）
線性回歸
非線性回歸
logistics回歸
平穩(wěn)性、截尾與拖尾
ARIMA
決策樹（第一天——4）
分類和預(yù)測
熵減過程與貪心法
ID3
C4.5
其他改進(jìn)方法
決策樹剪枝
案例實(shí)踐：
回歸的實(shí)驗
ARIMA預(yù)測實(shí)驗
決策樹的實(shí)驗
Day2機(jī)器學(xué)習(xí)中的典型算法
上午
聚類
關(guān)聯(lián)規(guī)則
樸素貝葉斯與KNN
聚類（第二天——1）
監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)
K-means與k-medoids
層次的方法
基于密度的方法
基于網(wǎng)格的方法
孤立點(diǎn)分析
關(guān)聯(lián)規(guī)則（第二天——2）
頻繁項集
支持度與置信度
提升度
Apriori性質(zhì)
連接與剪枝
樸素貝葉斯與KNN（第二天——3）
KNN
概率論基礎(chǔ)：條件概率、聯(lián)合概率、分布、共軛先驗。
“概率派”與“貝葉斯派”
樸素貝葉斯模型
案例實(shí)踐：
鳶尾花數(shù)據(jù)的聚類
超市購物籃——關(guān)聯(lián)規(guī)則分析
樸素貝葉斯案例：皮馬印第安人患糖尿病的風(fēng)險
Day2機(jī)器學(xué)習(xí)中的典型算法
下午
極大似然估計與EM算法
性能評價指標(biāo)
極大似然估計與EM算法（第二天——4）
極大似然估計
對數(shù)似然函數(shù)
EM算法
性能評價指標(biāo)（第二天——5）
準(zhǔn)確率；精確率、召回率；F1
真陽性率、假陽性率
混淆矩陣
ROC與AUC
對數(shù)損失
Kappa系數(shù)
回歸：平均絕對誤差、平均平方誤差
聚類：蘭德指數(shù)、互信息
k折驗證
案例實(shí)踐：
正態(tài)分析的參數(shù)估計
EM算法應(yīng)用案例：雙正態(tài)分布的參數(shù)估計
繪制ROC并計算AUC、F1
繪制擬合曲線，計算擬合優(yōu)度
Day3神經(jīng)網(wǎng)絡(luò)專題
上午
BP神經(jīng)網(wǎng)絡(luò)
模擬退火算法與其他神經(jīng)網(wǎng)絡(luò)
BP神經(jīng)網(wǎng)絡(luò) （第三天——1）
人工神經(jīng)元及感知機(jī)模型
前向神經(jīng)網(wǎng)絡(luò)
sigmoid
徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
誤差反向傳播
模擬退火算法與其他神經(jīng)網(wǎng)絡(luò) （第三天——2）
模擬退火算法
Hopfield網(wǎng)絡(luò)
自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM）
受限布爾茲曼機(jī)
案例實(shí)踐：
可以手算的神經(jīng)網(wǎng)絡(luò)
神經(jīng)網(wǎng)絡(luò)模擬一個圓錐曲面
“貨郎擔(dān)”問題（模擬退火算法）
識別破損的字母（Hopfield網(wǎng)絡(luò)）
聚類的另一種解法（SOM）
Day3神經(jīng)網(wǎng)絡(luò)專題
下午
機(jī)器學(xué)習(xí)中的最優(yōu)化方法
遺傳算法
機(jī)器學(xué)習(xí)中的最優(yōu)化方法（第三天——3）
參數(shù)學(xué)習(xí)方法
損失函數(shù)（或目標(biāo)函數(shù)）
梯度下降
隨機(jī)梯度下降
牛頓法
擬牛頓法
遺傳算法 （第三天——4）
種群、適應(yīng)性度量
交叉、選擇、變異
基本算法
案例實(shí)踐：
隨機(jī)梯度下降的例子
牛頓法求Rosenbrock(香蕉函數(shù))的極值
“同宿舍”問題：遺傳算法
Day4機(jī)器學(xué)習(xí)進(jìn)階
上午
支持向量機(jī)
隱馬爾科夫模型
支持向量機(jī) （第四天——1）
統(tǒng)計學(xué)習(xí)問題
支持向量機(jī)
核函數(shù)
多分類的支持向量機(jī)
用于連續(xù)值預(yù)測的支持向量機(jī)
隱馬爾科夫模型（第四天——2）
馬爾科夫過程
隱馬爾科夫模型
三個基本問題（評估、解碼、學(xué)習(xí)）
前向-后向算法
Viterbi算法
Baum-Welch算法
案例實(shí)踐：
SVM：iris的三個分類
HMM示例：天氣與地表積水、罐中的彩球
HMM之前向算法：擲骰子的序列
HMM之viterbi算法：是否生病了？
Day4機(jī)器學(xué)習(xí)進(jìn)階
下午
文本挖掘
從LSA到LDA
文本挖掘（第四天——3）
1、文本分析功能
2、文本特征的提取
4、TF-IDF
5、文本分類
5、文本聚類
從LSA到LDA（第四天——3）
LSA
pLSALDA
案例實(shí)踐：
英文文本分析；
中文文本分析：《絕代雙驕》
中文語句情感分析
LSA和LDA的比較
Day5機(jī)器學(xué)習(xí)進(jìn)階與深度學(xué)習(xí)初步
上午
利用無標(biāo)簽的樣本
集成學(xué)習(xí)
利用無標(biāo)簽的樣本（第五天——1）
半監(jiān)督學(xué)習(xí)
直推式學(xué)習(xí)
主動學(xué)習(xí)
集成學(xué)習(xí)（第五天——2）
bagging
co-training
adaboost隨機(jī)森林
GBDT
案例實(shí)踐：
半監(jiān)督學(xué)習(xí)：SVM標(biāo)簽擴(kuò)展；
主動學(xué)習(xí)：手寫數(shù)字
3、bagging、adaboost、RF、GBDT的例子
Day5機(jī)器學(xué)習(xí)進(jìn)階與深度學(xué)習(xí)初步
下午
強(qiáng)化學(xué)習(xí)
深度學(xué)習(xí)-1
強(qiáng)化學(xué)習(xí)（第五天——3）
agent的屬性
exploration and exploitation
Bellman期望方程
最優(yōu)策略
策略迭代與價值迭代
Q學(xué)習(xí)算法
深度學(xué)習(xí)-1（第五天——4）
連接主義的興衰
深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的區(qū)別與聯(lián)系
目標(biāo)函數(shù)
激勵函數(shù)
學(xué)習(xí)步長
案例實(shí)踐：
強(qiáng)化學(xué)習(xí)示例：走迷宮
強(qiáng)化學(xué)習(xí)：谷底的小車
深度學(xué)習(xí)示例：模式識別
Day6深度學(xué)習(xí)
上午
深度學(xué)習(xí)-2
深度學(xué)習(xí)-3
深度學(xué)習(xí)-2（第六天——1）
優(yōu)化算法
Adagrad
RMSprop
Adam
避免過適應(yīng)
深度學(xué)習(xí)-3（第六天——2）
典型應(yīng)用場景
CNN
各種CNN
RNN
LSTM、GRU
案例實(shí)踐：
CNN的準(zhǔn)備示例
CNN處理MNIST手寫數(shù)字?jǐn)?shù)據(jù)集
RNN準(zhǔn)備示例
RNN分析股票趨勢
LSTM的準(zhǔn)備示例
Day6深度學(xué)習(xí)
下午
深度學(xué)習(xí)-4
GAN
DQN
案例實(shí)踐：
DQN結(jié)合CNN：“flappy bird”
【授課環(huán)境】
講課環(huán)境要能上網(wǎng)
【預(yù)裝機(jī)要求】
要裝Tensorflow和anaconda+python這兩個軟件，
其中anaconda+python下載地址是：https://www.anaconda.com/download/#macos；

其中Tensorflow的安裝方法：
如果是沒有GPU設(shè)備的機(jī)器：先裝anaconda+python，然后在python環(huán)境中，pip install tensorflow即可；
如果是有GPU設(shè)備的機(jī)器，參考以下教程：https://blog.csdn.net/gangeqian2/article/details/79358543或https://blog.csdn.net/weixin_39290638/article/details/80045236

葉梓老師的其它課程