人工智能实战转型课程大纲

238课时+30余实战+4大前沿项目

【前置视频课程】

1-机器学习中的Python

【课程内容】构建Python环境、基本语法、数据预处理、可视化、完整实例与练习.

【课程目标】Python环境搭建与其基础语法的学习,熟悉列表元组等基础概念与python函数的形式,Python的IO操作,Python中类的使用介绍,python使用实例讲解机器学习领域的经典算法、模型及实现的任务等,同时学习搭建和配置机器学习环境,并学会用线性回归解决一个实际问题。

【前置视频课程】

2-人工智能数学基础

【课程内容】函数与导数、线性代数与矩阵、概率分析、程序与概念(算法推导与实现)、程序实践、课后实践。

【课程目标】熟悉数学中的符号表示,理解函数求导以及链式求导法则,理解数学中函数的概念,熟悉矩阵相关概念以及数学表示。将数学概念与程序基础联系起来;梯度下降实例讲解;

【前置视频课程】

3-机器学习概念与入门

【课程内容】人工智能概念、获取数据与特征工程、模型训练。

【课程目标】解释人工智能中涉及到的相关概念。了解如何获取数据以及特征工程。熟悉数据预处理方法。理解模型训练过程。熟悉pandas的使用。了解可视化过程;Panda使用讲解;图形绘制;

入学考试:通过考试后正式进入人工智能学习阶段

【第一阶段】

4-人工智能总览、应用与前沿

【课程内容】人工智能技术和应用场景的介绍。常见人工智能的算法,主流的应用构建 方法。主流机器学习框架介绍,针对机器学习场景能够更好的应用相关工具进行分析与处理。

【实战部分】鸢尾花分类实战、分类预测实战、回归预测实战。

【课程目标】 人工智能技术和应用场景的全面了解,形成系统化的人工智能技术栈。主流机器学习框架介绍,针对机器学习场景能够更好的应用相关工具进行分析与处理;通过实例对人工智能分析方法和流程有直观了解,为后续课程打下基础。

【第一阶段】

5-机器学习的数学基础-数学分析

【课程内容】将复杂的数学理论进行梳理,将机器学习中用到的数学基础由浅入深进行详细的梳理与讲解。主要涉及矩阵、导数、概率相关内容。

【实战部分】手写识别实战、文本降维实战。

【课程目标】 掌握和了解人工智能技术底层数学理论支撑;概率论,矩阵和凸优化的介绍,相应算法设计和原理;凸优化理论,流优化手段 SGD,牛顿法等优化方法。

【第一阶段】

6-特征工程和结果可视化

【课程内容】主流python数据预处理库、原始数据特征构建。特征选择、构建新特征,缺失值填充等特征工程方法。

【实战部分】Scikit-learn特征工程,网格搜索, 超参数调优,泰坦尼克求生预测

【课程目标】了解和掌握主流python数据预处理库,通过工具能够对原始数据进行特征构建。

【第二阶段】

7-深度学习框架TensorFlow

【课程内容】作为深度学习主流分析框架 Tensorflow,通过掌握 Tensorflow 基本概念,计算模型和原理,能够通过 Tensorflow 进行深度学习和模型构建与训练。学习掌握训练过程优化方法与问题优化。

【实战部分】图片分类实战、贷款欺诈预测

【课程目标】了解及学习变量作用域与变量命名。搭建多层神经网络并完成优化。)正则化优化神经网络。梯度问题与解决方法。

【第二阶段】

8-决策树与随机森林

【课程内容】决策树算法的原理,度量指标和算法变种。掌握和了解 GBDT,AdaBoost,随机森林等集成学习模型的原理和集成学习算法。

【实战部分】鸢尾花分类实战、金融反欺诈预测

【课程目标】了解和掌握决策树算法的原理,度量指标和算法变种。 掌握和了解随机森林和,GBDT等集成学习模型的原理和集成学习算法。应用XGboost,通过GBDT算法完成预测实例,加深对算法和实战的融合。

【第二阶段】

9-分类算法

【课程内容】了解和掌握 KNN 、SVM及朴素贝叶斯算法原理,熟悉集成学习(Bagging、Boosing)对于分类算法的优化过程,掌握数据降维方法应用。

【实战部分】手写图形数据降维与分类、文本向量化实战、文本分类实战

【课程目标】 掌握常用分类算法:KNN、SVM、NaiveBayes、Bagging、Boosting。熟悉分类算法调参关键参数。掌握不同分类算法的过拟合、欠拟合情景与调优。掌握集成学习调优。通过实例对于调参过程进行深入理解.了解不同算法的共性与个性。

【第二阶段】

10-回归算法

【课程内容】主流回归模型,线性回归,逻辑回归 LR 及其变种和扩展算法。 梯度下降,牛顿法, 拟牛顿法 LBFGS 等优化方法,逻辑回归最优化问题的求解。

【实战部分】波士顿房价预测、股票预测回归实战

【课程目标】掌握和学习主流回归模型,线性回归,逻辑回归及其变种和扩展算法。了解和掌握通过梯度下降,牛顿法, 拟牛顿法等最优化方法进行逻辑回归最优化问题的求解。通过实例掌握如何应用逻辑回归等回归算法。

自由讨论学习: 1、阶段考试,动态掌握学习情况、进度和效果; 2、小项目实操,机器学习任意算法实操小项目; 3、小组总结讨论。

【第三阶段】

11-聚类算法

【课程内容】无监督学习模型,了解主流的聚类算法。 了解不同相似度计算算法。深入了解不同的数据降维方法。掌握文本降维方法(LDA)

【实战部分】新闻分类实战、文本降维实战

【课程目标】掌握Kmeans以及其衍生算法,掌握modelbased聚类方法,掌握无监督降维方法:PCA、ICA、字典学习,掌握监督降维方法LDA,掌握文本降维方法LDA,深入理解聚类算法与分类算法的区别,理解聚类算法的优缺点。

【第三阶段】

12-大数据机器学习框架SparkMLlib

【课程内容】以大数据主流分析框架为例, Spark 内核架构,计算模型和原理,了解分布式机器学习原理,能够处理和解决大规模数据分析预处理和模型训练。

【实战部分】电影推荐案例

【课程目标】大数据机器学习主流分析框架,内核架构,计算模型和原理。了解和掌握Spark框架上的机器学习库MLlib的算法原理,核心数据抽象,以及应用MLlib。通过实战电影推荐演练,同时学习推荐系统算法和原理。

【第四阶段】

13-深度学习-基础

【课程内容】深度学习主要概念,激活函数,超参数等,BP神经网络基础,卷积,Pooling,Dropout等方法和原理,深度学习应用场景,经典深度学习网络结构等。

【实战部分】MINIST手写识别案例电影评论文本分类案例、评论文本情感分析案例

【课程目标】了解深度学习主要概念,激活函数等,以及BP神经网络基础,学习卷积,Pooling,Dropout等方法和原理,了解和掌握深度学习和经典深度学习网络结构等。

【第四阶段】

14-深度学习-高级

【课程内容】理解RNN网络的数据流,了解BPTT算法,理解用于RNN网络的文本向量化方法,理解文本ensemble过程,理解Attention机制,构建用于文本分类的神经网络,熟悉RNN基础上的复杂网络结构Seq2seq。

【实战部分】新闻分类实战(与传统分类算法做对比)、文本生成实战

【课程目标】1)利用TensorFlow构建RNN网络,熟悉文本向量化过程,完成RNN网络的训练过程,理解文本生成过程,理解RNN与前馈神经网络的区别与联系。

自由讨论学习: 1、阶段考试; 2、小组答辩项目实操; 3、知识点回顾及重难点梳理与解答。
【第五阶段】
企业实用项目

15-人工智能互联网应用:自动驾驶项目

【项目实战】光环自主研发课程体系,项目案例暂不对外开发,请填写个人信息获取。

16-深度学习企业应用:图像人脸识别项目

【项目实战】光环自主研发课程体系,项目案例暂不对外开发,请填写个人信息获取。

17-深度学习企业应用:聊天机器人(NLP 应用)项目

【项目实战】光环自主研发课程体系,项目案例暂不对外开发,请填写个人信息获取。

18-人工智能企业应用:语音识别项目

【项目实战】光环自主研发课程体系,项目案例暂不对外开发,请填写个人信息获取。

19-人工智能面试攻略

公司人工智能岗位核心技能需求。了解所需知识和技能,以及主流的机器学习工具和框架的使用方法。 讲解机器学习岗位面试的常见笔试题。会涵盖主流的互联网公司的面试题 目,深入浅出,结合实际场景分析。 讲解常见机器学习面试问题,开放式问题和系统设计问题,融汇贯通整个课程知识点。

填写信息,获取详细课程大纲

姓名:
*
手机:
*
邮箱:
*

六大课程优势,为你保驾护航!

人工智能免费学习资料

人工智能免费学习资料

  • 零基础入门学习Python.zip
  • 人工智能直通车Python3教程全套.zip
  • 深度学习-RNN神经网络架构.zip
  • 深度学习模型构建与训练资料.zip
  • 人工智能-《构建语音识别器》30课时.zip
  • 智能计算机系统的深度应用 4课时.zip
  • 人工智能-《机器学习和识别模式》24课时.zip

免费领取

提交