一、機(jī)器學(xué)習(xí)
1.數(shù)據(jù)加載、探索、清洗實現(xiàn)
1)機(jī)器學(xué)習(xí)三大類算法介紹：聚類、預(yù)測、分類
2)線性回歸模型介紹與公式推導(dǎo)
3)數(shù)據(jù)加載、預(yù)處理、特征工程
4)訓(xùn)練集、驗證集、測試集拆分
2.線性回歸模型構(gòu)建、訓(xùn)練與優(yōu)化采用線性回歸模型預(yù)測銷售數(shù)據(jù)
1)欠擬合、過擬合、模型優(yōu)化
2)采用L2正則化嶺回歸優(yōu)化模型
3.可視化、模型封裝、保存與二次加載采用matplotlib可視化訓(xùn)練過程
1)Pipeline構(gòu)建機(jī)器學(xué)習(xí)工作流
2)模型參數(shù)保存與二次加載
二、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)
1.決策樹、隨機(jī)森林構(gòu)建反欺詐風(fēng)控模型加載銀行風(fēng)控數(shù)據(jù)
1)PCA主成份分析、特征工程
2)模型創(chuàng)建與訓(xùn)練
3)網(wǎng)格搜索優(yōu)化超參數(shù)
4)AdaBoost與GBDT模型介紹
5)采用集成學(xué)習(xí)重構(gòu)反欺詐風(fēng)控模型
2.TensorFlow 快速入門
1)傳統(tǒng)機(jī)器學(xué)習(xí)算法局限性介紹
2)神經(jīng)網(wǎng)絡(luò)極簡史、優(yōu)勢介紹
3)環(huán)境搭建、第一個案例
4)張量、變量、操作
5)TensorBoard可視化神經(jīng)網(wǎng)絡(luò)
三、深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)
1.手動構(gòu)建DNN深度神經(jīng)網(wǎng)絡(luò)
1)人臉FDDB數(shù)據(jù)集介紹與獲取
2)簡單神經(jīng)網(wǎng)絡(luò)原理分析
3)梯度下降：正向傳播與反向傳播
4)神經(jīng)網(wǎng)絡(luò)可調(diào)超參數(shù)介紹
5)激活函數(shù)：Sigmoid到ReLu
6)損失函數(shù)與評估指標(biāo)的選擇
2.CNN卷積神經(jīng)網(wǎng)絡(luò)快速入門
1)CNN與DNN優(yōu)缺點對比
2)滑動窗口特征抽取介紹
3)卷積過程中填充與步長計算
4)池化層與特征過濾
四、人工智能項目實戰(zhàn)
1.人工智能項目實戰(zhàn)_上
1)客戶流失案例背景介紹
2)數(shù)據(jù)獲取、清洗與預(yù)處理實現(xiàn)
3)數(shù)據(jù)可視化與數(shù)據(jù)探索
4)根據(jù)業(yè)務(wù)需求選擇合適模型
5)采用決策樹對客戶流失實現(xiàn)預(yù)測分類
6)正確率、精確率、召回率介紹
7)網(wǎng)格搜索、模型的優(yōu)化與調(diào)優(yōu)技巧介紹
五、項目實戰(zhàn)與AI平臺使用
1.人工智能項目實戰(zhàn)下
1)采用Keras CNN優(yōu)化客戶流失案例
2)訓(xùn)練過擬合與梯度爆炸問題的解決
3)神經(jīng)網(wǎng)絡(luò)正則化與添加Droput層實現(xiàn)
4)TensorBoard展示神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果
5)模型部署到Django項目
2.阿里云機(jī)器學(xué)習(xí)PAI使用
1)申請、免費開通、控制臺介紹與使用
2)拖拽方式實現(xiàn)機(jī)器模型搭建
3)基于阿里云PAI的推薦系統(tǒng)模型訓(xùn)練與使用
課程周期
40小時（45分/課時）