机器学习算法建模与实践课程
课程天数：5天
课程介绍
本培训实践与理论并重，通过理论讲解，算法阐述，实例分析和编码实践，以及对最新的人工智能算法的趋势和热点的分析和介绍，使学员不仅掌握机器学习，人工智能领域常用算法，而且具有一定的前瞻性, 掌握人工智能的前沿和热点技术。最后实践中的业务数据纷繁复杂, 人工模拟数据将会简化或扭曲业务问题,所以本次培训的数据都来自于脱敏之后的业务数据,以便学员能够将所学无缝应用到实际工作中。
课程收益
掌握机器学习，人工智能领域常用算法；
了解人工智能技术领域前沿热点技术；
掌握机器学习领域的技术应用于实际项目；
能讲机器学习领域的技术和人工智能的相关技术进行结合；
培训对象
高级程序员、数据分析师，中高级工程师，系统维护工程师，数据统计和分析人员；
课程大纲
第一单元：线性回归与梯度下降算法
机器学习与人工智能概述
机器学习核心知识点与学习路线图
线性回归算法原理推导
目标与损失函数定义
优化策略分析
梯度下降算法原理分析
项目实战：多项式线性回归对比分析
第二单元：逻辑回归算法
逻辑回归算法原理推导
Notebook工具使用
机器学习建模流程
项目实战：交易记录数据建模实例
样本不均衡数据解决方案
模型评估指标对比
正则化惩罚项的作用
过拟合问题解决方案
参数对模型结果的影响
交叉验证的作用
模型测试结果分析
SMOTE过采样效果
第三单元：树模型建模原理
树模型必备基础
熵的作用
决策树构造实例
决策树剪枝策略
决策树可视化展示方法
第四单元：集成策略对比分析
随机森林算法构造原理
提升算法建模实例
集成策略对比分析
项目实战：基于随机森林的回归预测问题
随机森林回归模型
数据与预处理策略对结果的影响
时间效率对比分析
随机森林调参实战
第五单元：贝叶斯算法原理
贝叶斯算法原理推导
贝叶斯建模实例
垃圾邮件分类实例
拼写纠错实例
项目实战：基于贝叶斯的新闻分类任务
文本数据预处理实例
中文分词与关键词提取
词袋模型与TF-IDF
建模效果对比分析
第六单元：支持向量机
支持向量机算法原理推导
SVM中的软间隔效果
SVM中核函数的作用
SVM建模实例分析
第七单元：提升算法建模实例
Xgboost与LightGBM工具包使用方法
基于lightgbm的饭店流量预测实例
项目实战：机器学习项目实战模板
常用工具包对比分析
数据分析与可视化展示模板
基于人口普查数据集的收入预测实例
第八单元：神经网络
神经网络必备基础知识点概述
前向传播与返向传播
整体神经网络架构分析
过拟合解决方案
神经网络应用实例分析
项目实战：基于Tensorflow的神经网络搭建方法
深度学习框架：Tensorflow实战
tensorflow基本操作
基于框架搭建神经网络模型
第九单元：计算机视觉-卷积神经网络
卷积神经网络必备知识点
卷积网络整体架构
卷积网络所涉及参数
卷积网络整体架构
经典网络模型对比分析
项目实战：基于CNN的图像分类实战
Tensorflow实战CNN模型
Tensorflow与keras工具包对比分析
基于keras的图像分类模板
CNN网络参数对结果的影响
实战模板分析
第十单元：自然语言处理-递归神经网络
RNN网络模型分析
LSTM整体架构对比
词向量模型的作用
Word2vec+lstm实战模板
项目实战：基于LSTM的情感分析任务
文本预处理与词向量特征构建
词向量模型加载
搭建LSTM网络模型
训练与测试网络效果
第十一单元：经典神经网络模型实战分析
对抗生成网络原理
Gan与DCGAN建模实例
Seq2seq网络模型
经典开源项目分析
第十二单元：聚类算法
聚类算法综述
kmeans算法建模流程
dbscan算法建模流程
聚类效果可视化展示
半监督任务解决方案
