机器学习及深度学习理论及实操培训

基于机器学习的大数据挖掘创新应用案例培训
一、课程目标：
本次课程以理论与实际相结合为基准，突出实际性演练，以达到如下二、培训目标：
（1）了解机器学习、深度学习的基本概念，基本流程、常用算法和适用的场景。
（2）能根据实际问题熟练地构建人工智能项目建模流程，熟悉掌握数据建模过程、处理节点的操作。
（3）掌握具体的机器学习及深度学习技术以及案例，能根据业务场景独立实战。
三、培训对象：
（1）从事企业机器学习及深度学习相关工作的决策分析、产品及业务流程设计、场景开发及维护的相关业务及技术人员；
（2）需要进行机器学习及深度学习研究的高校、科研院所的科技工作者；
（3）打算从事机器学习与深度学习研究的在校生、在职人员。
四、课程大纲：
时间安排：1-6章需要2-3天；7-10章需要2-3天
一、机器学习相关概念
1、人工智能与大数据相关概念
1）人工智能定义
2）大数据是什么
3）大数据与人工智能的区别与联系
2、数据挖掘与机器学习、深度学习的关系
1）什么是数据挖掘、机器学习与深度学习
2）三者之间的关系是什么
3）机器学习与传统数据挖掘的差异
二、机器学习分类及实例
1）基于学习方式及实例（监督学习、非监督学习、半监督学习、强化学习）
2）基于算法类似性及实例
3）基于实例的算法及实例
4）基于正则化方法及实例
5）基于神经网络算法及实例
三、机器学习十大主流算法及实例
基于实际脱敏数据，讲解主流算法，涵盖线性回归，逻辑回归，SVM，KNN，贝叶斯、关联规则、KMeans、混合高斯分布、DBSCAN、PCA、LDA等。
四、机器学习近年来创新且使用算法及实例
基于实际脱敏数据，讲解当前国际大赛或国际期刊上出现的主流算法UMAP、TNSE、LIGHTGBM、CATBOOST等
五、机器学习案例及学员现场实操指导
现场通过网络故障预警、用户流失预警、用户群特征识别等三个实际案例，讲解python如numpy，pandas，sklearn、keras、seaborn、matplotlib等常用库操作过程。
六、大数据与机器学习在企业生产中的技术实现方案
1、技术框架（含大数据平台、AI平台、营销系统、运维系统等）
2、数据流向
3、接口方案
4、部署方案
七、深度学习相关概念
1、深度学习是什么及演变历程
1) 深度学习的由来及本质
2）深度学习演变历程及每个阶段的代表性算法实例
2、深度学习与机器学习的关系
1） 基于理论角度理解深度学习与机器学习的关系（主要指子集关系）
2）基于实操角度理解深度学习与机器学习的关系（基于实际业务场景如图像处理场景、离网预警场景理解算法独立性及相辅性）
八、基于实例及对比机器学习的深度学习关键实操步骤分解
1、深度学习如何准备训练、校验及测试数据集及与机器学习处理差异（附实例讲解）
2、深度学习如何实现数据预处理及与机器学习处理差异（附实例讲解）
3、深度学习如何做特征工程及与机器学习处理差异（附实例讲解）
4、深度学习如何定义及构建模型及与机器学习处理差异（附实例讲解）
5、深度学习如何评价模型效果及与机器学习处理差异（附实例讲解，含损失定义）
九、深度学习主要框架讲解
1、深度学习主流框架（tensorflow、keras等）及实例讲解
2、深度学习主流网络层及场景实例讲解（含卷积层、BN层、池化层、核心层等）
3、深度学习主流算法及场景实例讲解（含CNN\RNN等）
4、深度学习主流开源网络及场景（含谷歌、微软等开源模型）
十、深度学习主流应用场景及现场学员实操指导
现场通过图片识别、看图说话、图片自动编码解码等三个实际案例，讲解python如numpy、pandas、tensorflow、keras、seaborn、matplotlib等常用库操作过程。

应江勇老师的其它课程