课程简介
课程强调动手操作；内容以代码落地为主，以理论讲解为根，以公式推导为辅。讲解机器学习和深度学习的模型理论和代码实践，梳理机器学习、深度学习、计算机视觉的技术框架，从根本上解决如何使用模型、优化模型的问题；每次课中，首先阐述算法理论和少量公式推导，然后使用真实数据做数据挖掘、机器学习、深度学习的数据分析、特征选择、调参和结果比较。
目标收益
通过课程学习，可以理解机器学习的思维方式和关键技术；了解深度学习和机器学习在当前工业界的落地应用；能够根据数据分布选择合适的算法模型并书写代码，初步胜任使用Python进行数据挖掘、机器学习、深度学习等工作。
培训对象
具备一定的Python和深度学习基础，希望深入了解深度学习的目标检测、实体识别、关系抽取、GAN、时间序列分析、强化学习等实用化技术的光大工程技术人员。
课程大纲
| 第一节：Python机器学习与TensorFlow |
numpy/scipy/matplotlib/panda的介绍和典型使用 scikit-learn的介绍和典型使用 多元线性回归 Logistics回归与Softmax回归 决策树和随机森林 SVM 多种聚类的原理和调参 TensorFlow典型应用 典型图像处理 多项式拟合 快速傅里叶变换FFT 奇异值分解SVD Soble/Prewitt/Laplacian算子与卷积网络 |
| 代码和案例实践： |
股票交易数据的 (指数)移动平均线与预测 无人机图像的风机叶片缺陷检测和识别系统 环保检测数据异常检测和分析 股票数据分析 社会学人群收入预测 葡萄酒数据集的决策树/随机森林分类 泰坦尼克乘客存活率估计 |
| 第二节：卷积神经网络CNN |
神经网络结构，滤波器，卷积 池化，激活函数，反向传播 目标分类与识别、目标检测与追踪 经典AlexNet、VGG、GoogleLeNet Inception ResNet、DenseNet 视频关键帧处理 物体检测与定位 RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN YOLO FaceNet |
| 代码和案例实践： |
搭建自己的卷积神经网络 基于CNN的图像识别 卷积神经网络调参经验分享 |
| 代码和案例实践： |
迁移学习（Transfer Learning） 人脸检测 OCR字体定位和识别 睿客识云 气象识别 |
| 第三节：循环神经网络RNN |
RNN基本原理 LSTM、GRU Attention 编码器与解码器结构 言特征提取：word2vec Seq2seq模型 |
| 代码和案例实践： |
看图说话 视频理解 藏头诗生成 问答对话系统 循环神经网络调参经验分享 |
| 第四节：生成对抗网络GAN与增强学习RL |
生成模型：贝叶斯、HMM到深度生成模型 GAN对抗生成神经网络 DCGAN Conditional GAN InfoGan Wasserstein GAN 马尔科夫决策过程 贝尔曼方程、最优策略 策略迭代、值迭代 Q Learning SarsaLamda DQN A3C |
| 代码和案例实践： |
图片生成 看图说话 对抗生成神经网络调参经验分享 飞翔的小鸟游戏 基于增强学习的游戏学习 DQN的实现 |
|
第一节：Python机器学习与TensorFlow numpy/scipy/matplotlib/panda的介绍和典型使用 scikit-learn的介绍和典型使用 多元线性回归 Logistics回归与Softmax回归 决策树和随机森林 SVM 多种聚类的原理和调参 TensorFlow典型应用 典型图像处理 多项式拟合 快速傅里叶变换FFT 奇异值分解SVD Soble/Prewitt/Laplacian算子与卷积网络 |
|
代码和案例实践： 股票交易数据的 (指数)移动平均线与预测 无人机图像的风机叶片缺陷检测和识别系统 环保检测数据异常检测和分析 股票数据分析 社会学人群收入预测 葡萄酒数据集的决策树/随机森林分类 泰坦尼克乘客存活率估计 |
|
第二节：卷积神经网络CNN 神经网络结构，滤波器，卷积 池化，激活函数，反向传播 目标分类与识别、目标检测与追踪 经典AlexNet、VGG、GoogleLeNet Inception ResNet、DenseNet 视频关键帧处理 物体检测与定位 RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN YOLO FaceNet |
|
代码和案例实践： 搭建自己的卷积神经网络 基于CNN的图像识别 卷积神经网络调参经验分享 |
|
代码和案例实践： 迁移学习（Transfer Learning） 人脸检测 OCR字体定位和识别 睿客识云 气象识别 |
|
第三节：循环神经网络RNN RNN基本原理 LSTM、GRU Attention 编码器与解码器结构 言特征提取：word2vec Seq2seq模型 |
|
代码和案例实践： 看图说话 视频理解 藏头诗生成 问答对话系统 循环神经网络调参经验分享 |
|
第四节：生成对抗网络GAN与增强学习RL 生成模型：贝叶斯、HMM到深度生成模型 GAN对抗生成神经网络 DCGAN Conditional GAN InfoGan Wasserstein GAN 马尔科夫决策过程 贝尔曼方程、最优策略 策略迭代、值迭代 Q Learning SarsaLamda DQN A3C |
|
代码和案例实践： 图片生成 看图说话 对抗生成神经网络调参经验分享 飞翔的小鸟游戏 基于增强学习的游戏学习 DQN的实现 |
近期公开课推荐