日程

培训模块

培训内容

第一天

上午

机器学习简介

  回归算法理论与实战：

  1.一元线性回归

  2.代价函数

  3.梯度下降法

  4.使用梯度下降法实现一元线性回归

  5.标准方程法

  6.使用sklearn实现一元线性回归

  7.多元线性回归

  8.使用sklearn实现多元线性回归

  9.特征缩放，交叉验证法

  10.过拟合正则化

  11.岭回归

  12.sklearn实现岭回归

  13.LASSO回归

  14.sklearn实现LASSO回归

第一天

下午

决策树算法理论与实战

  15.决策树-信息熵,ID3,C4.5算法介绍

  16.sklearn实现决策树

  17.决策树-CART算法

  18.决策树应用

集成学习算法理论与实战

  19.Bagging介绍与使用

  20.随机森林介绍与使用

  21.Adaboost介绍与使用

  22.Stacking和Voting介绍与使用

泰坦尼克号获救人员预测项目

第二天

上午

KNN算法和决策树算法理论与实战

1.KNN算法介绍

2.python实现knn算法

  3.sklearn实现knn算法完成iris数据集分类

聚类算法理论与实战

  4.k-means算法原理

  5.k-means算法实现

  6.DBSCAN算法原理

  7.DBSCAN算法实现

第二天

下午

神经网络算法

  8.神经网络基本原理

  9.单层感知器程序

  10.线性神经网络

  11.激活函数，损失函数和梯度下降法

  12.线性神经网络异或问题

  13.BP神经网络介绍

  14.BP算法推导

  15.BP神经网络解决异或问题

  16.BP算法完成手写数字识别

  16.sklearn-BP神经网络解决手写数字识别

  17.GOOGLE神经网络平台

特征工程贷款拖欠预测项目

用户流失预测项目

第三天

上午

Tensorflow2.0（一）

  1.深度学习框架介绍

  2.Tensorflow安装

  3.Tensorlfow基础知识：图，变量，fetch，feed

  4.Tensorflow线性回归

  5.Tensorflow非线性回归

  6.Mnist数据集合Softmax讲解

  7.使用BP神经网络搭建手写数字识别

  8.交叉熵(cross-entropy)讲解和使用 

第三天

下午

Tensorflow2.0（二）

  9.过拟合,正则化,Dropout

  10.各种优化器Optimizer

  11.改进手写数字识别网络

  12.卷积神经网络CNN的介绍

  13.使用CNN解决手写数字识别

  14.长短时记忆网络LSTM介绍

  15.LSTM的使用

  16.模型保存与载入

第四天

上午

图像识别项目

1.介绍Google图像识别模型Inception-v3

  2.使用Inception-v3做图像识别

图像识别项目

  3.训练自己的图像识别模型

验证码识别项目

  4.多任务学习介绍

  5.生存验证码图片

  6.构建验证码识别模型

第四天

下午

Kease 最佳实践

• 安装和配置Keras,API
• 回调函数与自定义训练过程
• 深度神经网络DCNN实现
• 采用深度学习算法识别CIFRA-10图片
• 调节参数来改善性能

业内经验交流