人工智能、機(jī)器學(xué)習(xí)與實(shí)現(xiàn)框架 （python、tensorflow、keras）培訓(xùn)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(shù)
3. 人工智能的應(yīng)用領(lǐng)域介紹
初探機(jī)器學(xué)習(xí)
1. 機(jī)器學(xué)習(xí)要解決的問(wèn)題
2. 有監(jiān)督無(wú)監(jiān)督問(wèn)題
3. 機(jī)器學(xué)習(xí)能做什么
4. 機(jī)器學(xué)習(xí)算法概覽
5. 機(jī)器學(xué)習(xí)應(yīng)用案例分析
特征提取
預(yù)處理，歸一化
分類解決方案
聚類解決方案
機(jī)器學(xué)習(xí)實(shí)現(xiàn)與執(zhí)行
結(jié)果分析
Python數(shù)據(jù)分析框架概覽
1. NumPy數(shù)據(jù)結(jié)構(gòu)與處理
2. Pandas數(shù)據(jù)組織與計(jì)算
3. Matplotlib數(shù)據(jù)可視化
機(jī)器學(xué)習(xí)案例實(shí)戰(zhàn)與算法解析
線性回歸實(shí)現(xiàn)銷售數(shù)據(jù)預(yù)測(cè)
1. 線性回歸介紹與公式推導(dǎo)
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(yù)測(cè)銷售數(shù)據(jù)
5. 保存模型，欠擬合與過(guò)擬合
樸素貝葉斯實(shí)現(xiàn)文檔分類
1. 概率基礎(chǔ) (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(xiàng)分布與高斯分布
5. 貝葉斯算法根據(jù)文檔關(guān)鍵字實(shí)現(xiàn)分類
深度學(xué)習(xí)框架實(shí)踐Tensorflow
1、 深度學(xué)習(xí)與機(jī)器學(xué)習(xí)區(qū)別介紹
2、 環(huán)境搭建、第一個(gè)案例
3、 張量、變量、操作
4、 會(huì)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(xué)習(xí)框架的對(duì)比
8、 Tensorflow 下載及安裝
9、 Tensorflow 架構(gòu)
10、 實(shí)戰(zhàn)：Tensorflow 案例實(shí)踐
11、 某業(yè)務(wù)領(lǐng)域的的機(jī)器學(xué)習(xí)于分析
DNN深度神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)手寫(xiě)體數(shù)字識(shí)別
1. 線性不可分問(wèn)題
2. 隱藏層、輸出神經(jīng)元介紹與實(shí)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(xiě)識(shí)別效率
5. 采用可視化圖片顯示識(shí)別結(jié)果
6. DNN優(yōu)缺點(diǎn)與注意事項(xiàng)
CNN圖形圖像識(shí)別案例項(xiàng)目
1. CIFAR項(xiàng)目需求介紹
2. 分析愛(ài)data_batch數(shù)據(jù)集
3. CNN卷積神經(jīng)網(wǎng)絡(luò)介紹
4. 卷積、深度、池化、步長(zhǎng)、激活函數(shù)
5. 采用CNN完成CIFAR物體分類
使用 Keras 進(jìn)行深度學(xué)習(xí)案例解析
1、 Keras 簡(jiǎn)介
2、 Keras與TensorFlow比較
3、 Keras的模塊結(jié)構(gòu)
4、 Keras 中的模型
5、 Keras 支持的對(duì)象概念
6、 Keras 中的數(shù)據(jù)處理
7、 使用Keras構(gòu)建深度學(xué)習(xí)模型
8、 Keras案例實(shí)戰(zhàn)
動(dòng)物分類器實(shí)現(xiàn)
采用Keras實(shí)現(xiàn)非線性回歸
生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用
模塊結(jié)構(gòu)分析與優(yōu)化策略
深度學(xué)習(xí)總復(fù)習(xí)，和前沿文獻(xiàn)介紹 |
shuhaipeixun
總部李老師