<ul id="8eaoi"></ul> 【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，各種培訓課程應運而生，但真正能讓學員系統、全面掌握知識點，并且能學以致用的實戰課程并不多見。本課程包含機器學習、深度學習的重要概念及常用算法（決策樹、關聯規則、聚類、貝葉斯網絡、神經網絡、支持向量機、隱馬爾科夫模型、遺傳算法、CNN、RNN、GAN等），以及人工智能領域當前的熱點。通過6天的系統學習、案例講解和動手實踐，讓學員能初步邁入機器學習和深度學習的知識殿堂。
【課程收益】
ü 掌握數據挖掘與機器學習基本知識；
ü 掌握數據挖掘與機器學習進階知識；
ü 掌握深度學習的理論與實踐；
ü 掌握Python開發技能；
ü 掌握深度學習工具：TensorFlow、Keras等；
ü 為學員的后續項目應用提供針對性的建議。
【課程特點】
本課程力圖理論結合實踐，強調從零開始，重視動手實踐；課程內容以原理講解為根本，以應用落地為目標。課程通過大量形象的比喻和手算示例來解釋復雜的機器學習理論，既能將原理充分講懂講透，也避免了繁復而枯燥的公式推導。
【課程對象】
計算機相關專業本科；或理工科本科，且至少熟悉一門編程語言。
具備初步的IT基礎知識
【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初識機器學習 上午 概述入門 數據預處理 | 概述（第一天——1） 1、 概念與術語（人工智能、數據挖掘、機器學習） 2、 數據挖掘的對象 3、 數據挖掘的關鍵技術 4、 知識的表達 5、 Python的安裝
數據預處理（第一天——2） 1、 數據清理 2、 規范化 3、 模糊集 4、 粗糙集 5、 無標簽時：PCA 6、 有標簽時：Fisher線性判別 數據壓縮（DFT、小波變換） | 案例實踐： 1、 python安裝 2、 Tensorflow安裝 3、 PCA的實驗 4、 DFT的實驗 |
Day1初識機器學習 下午 回歸與時序分析 決策樹 | 回歸與時序分析 （第一天——3） 1、 線性回歸 2、 非線性回歸 3、 logistics回歸 4、 平穩性、截尾與拖尾 5、 ARIMA
決策樹（第一天——4） 1、 分類和預測 2、 熵減過程與貪心法 3、 ID3 4、 C4.5 5、 其他改進方法 決策樹剪枝 | 案例實踐： 1、 回歸的實驗 2、 ARIMA預測實驗 3、 決策樹的實驗
|
Day2機器學習中的典型算法 上午 聚類 關聯規則 樸素貝葉斯與KNN | 聚類（第二天——1） 1、 監督學習與無監督學習 2、 K-means與k-medoids 3、 層次的方法 4、 基于密度的方法 5、 基于網格的方法 6、 孤立點分析
關聯規則（第二天——2） 1、 頻繁項集 2、 支持度與置信度 3、 提升度 4、 Apriori性質 5、 連接與剪枝
樸素貝葉斯與KNN（第二天——3） 1、 KNN 2、 概率論基礎：條件概率、聯合概率、分布、共軛先驗。 3、 “概率派”與“貝葉斯派” 4、 樸素貝葉斯模型
| 案例實踐： 1、 鳶尾花數據的聚類 2、 超市購物籃——關聯規則分析 3、 樸素貝葉斯案例：皮馬印第安人患糖尿病的風險 |
Day2機器學習中的典型算法 下午 極大似然估計與EM算法 性能評價指標 | 極大似然估計與EM算法（第二天——4） 1、 極大似然估計 2、 對數似然函數 3、 EM算法
性能評價指標（第二天——5） 1、 準確率；精確率、召回率；F1 2、 真陽性率、假陽性率 3、 混淆矩陣 4、 ROC與AUC 5、 對數損失 6、 Kappa系數 7、 回歸：平均絕對誤差、平均平方誤差 8、 聚類：蘭德指數、互信息 9、 k折驗證 | 案例實踐： 1、 正態分析的參數估計 2、 EM算法應用案例：雙正態分布的參數估計 3、 繪制ROC并計算AUC、F1 4、 繪制擬合曲線，計算擬合優度 |
Day3神經網絡專題 上午 BP神經網絡 模擬退火算法與其他神經網絡 | BP神經網絡 （第三天——1） 1、 人工神經元及感知機模型 2、 前向神經網絡 3、 sigmoid 4、 徑向基函數神經網絡 5、 誤差反向傳播
模擬退火算法與其他神經網絡 （第三天——2） 1、 模擬退火算法 2、 Hopfield網絡 3、 自組織特征映射神經網絡（SOM） 4、 受限布爾茲曼機 | 案例實踐： 1、 可以手算的神經網絡 2、 神經網絡模擬一個圓錐曲面 3、 “貨郎擔”問題（模擬退火算法） 4、 識別破損的字母（Hopfield網絡） 5、 聚類的另一種解法（SOM） |
Day3神經網絡專題
下午 機器學習中的最優化方法 遺傳算法 | 機器學習中的最優化方法（第三天——3） 1、 參數學習方法 2、 損失函數（或目標函數） 3、 梯度下降 4、 隨機梯度下降 5、 牛頓法 6、 擬牛頓法
遺傳算法 （第三天——4） 1、 種群、適應性度量 2、 交叉、選擇、變異 3、 基本算法 | 案例實踐： 1、 隨機梯度下降的例子 2、 牛頓法求Rosenbrock(香蕉函數)的極值 3、 “同宿舍”問題：遺傳算法
|
Day4機器學習進階 上午 支持向量機 隱馬爾科夫模型 | 支持向量機 （第四天——1） 1、 統計學習問題 2、 支持向量機 3、 核函數
|
