人工智能、機器學習與實現(xiàn)框架 (python、tensorflow、keras)培訓大綱
人工智能初覽
1. 人工智能基本概念
2. 人工智能的核心技術
3. 人工智能的應用領域介紹
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. 機器學習算法概覽
5. 機器學習應用案例分析
特征提取
預處理,歸一化
分類解決方案
聚類解決方案
機器學習實現(xiàn)與執(zhí)行
結果分析
Python數(shù)據(jù)分析框架概覽
1. NumPy數(shù)據(jù)結構與處理
2. Pandas數(shù)據(jù)組織與計算
3. Matplotlib數(shù)據(jù)可視化
機器學習案例實戰(zhàn)與算法解析
線性回歸實現(xiàn)銷售數(shù)據(jù)預測
1. 線性回歸介紹與公式推導
2. 多變量線性歸回與梯度下降
3. 數(shù)據(jù)歸一化與模型優(yōu)化
4. 線性回歸預測銷售數(shù)據(jù)
5. 保存模型,欠擬合與過擬合
樸素貝葉斯實現(xiàn)文檔分類
1. 概率基礎 (聯(lián)合概率、條件概率)
2. 貝葉斯定律、分類算法
3. 特征工程、TF-IDF與文檔分類
4. 多項分布與高斯分布
5. 貝葉斯算法根據(jù)文檔關鍵字實現(xiàn)分類
深度學習框架實踐Tensorflow
1、 深度學習與機器學習區(qū)別介紹
2、 環(huán)境搭建、第一個案例
3、 張量、變量、操作
4、 會話與優(yōu)化器
5、 TensorFlow流程圖與可視化
6、 Tensorflow框架介紹
7、 TensorFlow和其他深度學習框架的對比
8、 Tensorflow 下載及安裝
9、 Tensorflow 架構
10、 實戰(zhàn):Tensorflow 案例實踐
11、 某業(yè)務領域的的機器學習于分析
DNN深度神經(jīng)網(wǎng)絡實現(xiàn)手寫體數(shù)字識別
1. 線性不可分問題
2. 隱藏層、輸出神經(jīng)元介紹與實現(xiàn)
3. 激活函數(shù)介紹與不同激活函數(shù)區(qū)別
4. 自定義DNN優(yōu)化手寫識別效率
5. 采用可視化圖片顯示識別結果
6. DNN優(yōu)缺點與注意事項
CNN圖形圖像識別案例項目
1. CIFAR項目需求介紹
2. 分析愛data_batch數(shù)據(jù)集
3. CNN卷積神經(jīng)網(wǎng)絡介紹
4. 卷積、深度、池化、步長、激活函數(shù)
5. 采用CNN完成CIFAR物體分類
使用 Keras 進行深度學習案例解析
1、 Keras 簡介
2、 Keras與TensorFlow比較
3、 Keras的模塊結構
4、 Keras 中的模型
5、 Keras 支持的對象概念
6、 Keras 中的數(shù)據(jù)處理
7、 使用Keras構建深度學習模型
8、 Keras案例實戰(zhàn)
動物分類器實現(xiàn)
采用Keras實現(xiàn)非線性回歸
生成式對抗神經(jīng)網(wǎng)絡原理及應用
模塊結構分析與優(yōu)化策略
深度學習總復習,和前沿文獻介紹 |