<ul id="8eaoi"></ul>
第一節：人工智能與機器學習基礎 | 1.人工智能概述 2.機器學習概述 3.機器學習算法應用分析 |
第二節：回歸算法 | 1.一元線性回歸 2.代價函數 3.梯度下降法 4.sklearn一元線性回歸應用 5.多元線性回歸 6.sklearn多元線性回歸應用 案例：葡萄酒質量和時間的關系 |
第三節：KNN分類算法 | 1.KNN分類算法介紹 2.KNN分類算法應用 3.KNN實現 案例：鳶尾花分類 |
第四節：決策樹算法 | 1.決策樹算法介紹 2.熵的定義 3.決策樹算法與應用實現 案例：用戶購買行為預測 |
第五節：集成算法與隨機森林 | 1.Bagging算法介紹 2.隨機森林建模方法 3.Adaboost算法介紹 4.Stacking算法介紹 5.Voting算法介紹 |
第六節：K-means聚類算法 | 1.K-means算法介紹 2.K-means算法應用 3.K-means算法實際應用案例 案例：NBA球隊實力聚類分析 |
第七節：支持向量機 | 1.SVM算法介紹 案例：SVM完成人臉識別應用 |
第八節：特征工程項目-銀行 用戶違約預測 | 1.數據缺失處理 2.特征篩選方法 3.特征工程 4.數據不平衡問題處理 5.算法選擇 6.結果評估 |
第九節：深度學習基礎- 神經網絡介紹 | 1.人工神經網絡發展史 2.單層感知器 3.激活函數，損失函數和梯度下降法 4.BP算法介紹 案例：BP算法解決手寫數字識別問題 |
第十節：Tensorflow基礎應用 | 1.Mnist數據集合Softmax講解 2.使用BP神經網絡搭建手寫數字識別 3.交叉熵(cross-entropy)講解和使用 4.過擬合,正則化,Dropout 5.各種優化器Optimizer |
第十一節：卷積神經網絡CNN應用 | 1.CNN卷積神經網絡 2.卷積層、池化層（均值池化、最大池化） 3.CNN手寫數字案例 |
第十二節：長短時記憶網絡 LSTM應用 | 1.RNN循環神經網絡 2.長短時記憶網絡LSTM 3.LSTM應用案例 |
第十三節：常用卷積網絡模型介紹 | 1. AlexNet模型介紹 2. VGG模型介紹 3. Inception模型介紹 4.ResNet模型介紹 |
第十四節：用自己的數據來訓練一個新的圖像識別模型 | 1.數據準備 2.數據增強 3.模型搭建 4.模型訓練 5.結果測試 |
第十五節：目標檢測模型介紹 | 1.目標檢測項目介紹 2.R-CNN模型介紹 3.SPPNET模型介紹 4.Fast-RCNN模型介紹 5.Faster-RCNN模型介紹 6.SSD模型介紹 7.yolo-v1模型介紹 8.yolo-v2模型介紹 9.yolo-v3模型介紹 |
第十六節：目標檢測模型實戰 | 1.項目安裝配置環境 2.準備數據集 3.使用訓練好的目標檢測模型進行預測 4.用自己的數據訓練新的目標檢測模型 |
第十七節：自然語言處理技術介紹 | 1. word2vec介紹 2.Transformer模型介紹 3.Self-Attention機制介紹 4.多頭注意力機制介紹 5..Bert模型介紹 6.GPT-3模型介紹 |
第十八節：自然語言處理項目實戰 | 1.用CNN訓練一個新的文本分類模型 2.用LSTM訓練一個新的文本分類模型 3.用Bert訓練一個新的文本分類模型 |
課后輔助： | 1.針對學員面對的問題進行討論，提出建議 2.建立微信群（課后技術免費指導） 3.上課ppt資料都發到群里面 |
