時間

內容

案例實踐與練習

Day1初識機器學習

上午

概述入門

資料預處理

概述（第一天——1）

1、  概念與術語（人工智慧、資料探勘、機器學習）

2、 資料探勘的物件

3、 資料探勘的關鍵技術

4、 知識的表達

5、 Python的安裝

資料預處理（第一天——2）

1、  資料清理

2、 規範化

3、 模糊集

4、 粗糙集

5、 無標籤時：PCA

6、 有標籤時：Fisher線性判別

資料壓縮（DFT、小波變換）

案例實踐：

1、  python安裝

2、 Tensorflow安裝

3、 PCA的實驗

4、 DFT的實驗

Day1初識機器學習

下午

迴歸與時序分析

決策樹

迴歸與時序分析 （第一天——3）

1、  線性迴歸

2、 非線性迴歸

3、 logistics迴歸

4、 平穩性、截尾與拖尾

5、 ARIMA

決策樹（第一天——4）

1、  分類和預測

2、 熵減過程與貪心法

3、 ID3

4、 C4.5

5、 其他改進方法

決策樹剪枝

案例實踐：

1、  迴歸的實驗

2、 ARIMA預測實驗

3、 決策樹的實驗

Day2機器學習中的典型演算法

上午

聚類

關聯規則

樸素貝葉斯與KNN

聚類（第二天——1）

1、  監督學習與無監督學習

2、 K-means與k-medoids

3、 層次的方法

4、 基於密度的方法

5、 基於網格的方法

6、 孤立點分析

關聯規則（第二天——2）

1、  頻繁項集

2、 支援度與置信度

3、 提升度

4、 Apriori性質

5、 連線與剪枝

樸素貝葉斯與KNN（第二天——3）

1、  KNN

2、 概率論基礎：條件概率、聯合概率、分佈、共軛先驗。

3、 “概率派”與“貝葉斯派”

4、 樸素貝葉斯模型

案例實踐：

1、  鳶尾花資料的聚類

2、 超市購物籃——關聯規則分析

3、 樸素貝葉斯案例：皮馬印第安人患糖尿病的風險

Day2機器學習中的典型演算法

下午

極大似然估計與EM演算法

效能評價指標

極大似然估計與EM演算法（第二天——4）

1、  極大似然估計

2、 對數似然函式

3、 EM演算法

效能評價指標（第二天——5）

1、  準確率；精確率、召回率；F1

2、 真陽性率、假陽性率

3、 混淆矩陣

4、 ROC與AUC

5、 對數損失

6、 Kappa係數

7、 迴歸：平均絕對誤差、平均平方誤差

8、 聚類：蘭德指數、互資訊

9、 k折驗證

案例實踐：

1、  正態分析的引數估計

2、 EM演算法應用案例：雙正態分佈的引數估計

3、 繪製ROC並計算AUC、F1

4、 繪製擬合曲線，計算擬合優度

Day3神經網路專題

上午

BP神經網路

模擬退火演算法與其他神經網路

BP神經網路 （第三天——1）

1、  人工神經元及感知機模型

2、 前向神經網路

3、 sigmoid

4、 徑向基函式神經網路

5、 誤差反向傳播

模擬退火演算法與其他神經網路 （第三天——2）

1、  模擬退火演算法

2、 Hopfield網路

3、 自組織特徵對映神經網路（SOM）

4、 受限布林茲曼機

案例實踐：

1、  可以手算的神經網路

2、 神經網路模擬一個圓錐曲面

3、 “貨郎擔”問題（模擬退火演算法）

4、 識別破損的字母（Hopfield網路）

5、 聚類的另一種解法（SOM）

Day3神經網路專題

下午

機器學習中的最優化方法

遺傳演算法

機器學習中的最優化方法（第三天——3）

1、  引數學習方法

2、 損失函式（或目標函式）

3、 梯度下降

4、 隨機梯度下降

5、 牛頓法

6、 擬牛頓法

遺傳演算法 （第三天——4）

1、  種群、適應性度量

2、 交叉、選擇、變異

3、 基本演算法

案例實踐：

1、  隨機梯度下降的例子

2、 牛頓法求Rosenbrock(香蕉函式)的極值

3、 “同宿舍”問題：遺傳演算法

Day4機器學習進階

上午

支援向量機

隱馬爾科夫模型

支援向量機 （第四天——1）

1、  統計學習問題

2、 支援向量機

3、 核函式

4、 多分類的支援向量機

5、 用於連續值預測的支援向量機

隱馬爾科夫模型（第四天——2）

1、  馬爾科夫過程

2、 隱馬爾科夫模型

3、 三個基本問題（評估、解碼、學習）

4、 前向-後向演算法

5、 Viterbi演算法

6、 Baum-Welch演算法

案例實踐：

1、  SVM：iris的三個分類

2、 HMM示例：天氣與地表積水、罐中的綵球

3、 HMM之前向演算法：擲骰子的序列

4、 HMM之viterbi演算法：是否生病了？

Day4機器學習進階

下午

文字挖掘

從LSA到LDA

文字挖掘（第四天——3）

1、文字分析功能

2、文字特徵的提取

4、TF-IDF

5、文字分類

5、文字聚類

從LSA到LDA（第四天——3）

1、  LSA

2、 pLSA

3、 LDA

案例實踐：

1、  英文文字分析；

2、 中文文字分析：《絕代雙驕》

3、 中文語句情感分析

4、 LSA和LDA的比較

Day5機器學習進階與深度學習初步

上午

利用無標籤的樣本

整合學習

利用無標籤的樣本（第五天——1）

1、  半監督學習

2、 直推式學習

3、 主動學習

整合學習（第五天——2）

1、  bagging

2、 co-training

3、 adaboost

4、 隨機森林

5、 GBDT

案例實踐：

1、  半監督學習：SVM標籤擴充套件；

2、 主動學習：手寫數字

3、bagging、adaboost、RF、GBDT的例子

Day5機器學習進階與深度學習初步

下午

強化學習

深度學習-1

強化學習（第五天——3）

1、  agent的屬性

2、 exploration and exploitation

3、 Bellman期望方程

4、 最優策略

5、 策略迭代與價值迭代

6、 Q學習演算法

深度學習-1（第五天——4）

1、  連線主義的興衰

2、 深度學習與神經網路的區別與聯絡

3、 目標函式

4、 激勵函式

學習步長

案例實踐：

1、  強化學習示例：走迷宮

2、 強化學習：谷底的小車

3、 深度學習示例：模式識別

Day6深度學習

上午

深度學習-2

深度學習-3

深度學習-2（第六天——1）

1、  優化演算法

  課程時長】

6天（6小時/天）

【課程簡介】

人工智慧的浪潮正在席捲全球，各種培訓課程應運而生，但真正能讓學員系統、全面掌握人工智慧深度學習知識點，並且能學以致用的實戰課程並不多見。本課程包含機器學習、深度學習的重要概念及常用演算法（決策樹、關聯規則、聚類、貝葉斯網路、神經網路、支援向量機、隱馬爾科夫模型、遺傳演算法、CNN、RNN、GAN等），以及人工智慧領域當前的熱點。通過6天的系統學習、案例講解和動手實踐，讓學員能初步邁入機器學習和深度學習的知識殿堂。

【課程收益】

ü  掌握資料探勘與機器學習基本知識；

ü  掌握資料探勘與機器學習進階知識；

ü  掌握深度學習的理論與實踐進而把握人工智慧知識點；

ü  掌握Python開發技能；

ü  掌握深度學習工具：TensorFlow、Keras等；

ü  為學員的後續專案應用提供針對性的建議。

【課程特點】

本課程力圖理論結合實踐，強調從零開始，重視動手實踐；課程內容以原理講解為根本，以人工智慧應用落地為目標。課程通過大量形象的比喻和手算示例來解釋複雜的機器學習及深度學習理論，既能將原理充分講懂講透，也避免了繁複而枯燥的公式推導。讓學員更輕鬆地瞭解人工智慧要點。

【課程物件】

計算機相關專業本科；或理工科本科，且至少熟悉一門程式語言。

【主講專家】

葉梓，博士、工程師。2005年上海交通大學計算機專業博士畢業，主研方向為資料探勘、機器學習、人工智慧等。現為某大型上市軟體企業的人工智慧團隊技術負責人，多年的開發經驗和專案實踐經驗。先後在SCI或EI期刊上發表論文4篇，在中文核心期刊上發表論文近20篇，並被百度學術收錄。2011年獲科技創新一等獎。

培訓合作加助理QQ：526346584 詳聊

【學員基礎】

具備初步的IT基礎知識

【課程大綱】（機器學習與深度學習培訓提綱等人工智慧培訓內容可根據客戶需求調整）

2、 Adagrad

3、 RMSprop

4、 Adam

5、 避免過適應

深度學習-3（第六天——2）

1、  典型應用場景

2、 CNN

3、 各種CNN

4、 RNN

LSTM、GRU

案例實踐：

1、  CNN的準備示例

2、 CNN處理MNIST手寫數字資料集

3、 RNN準備示例

4、 RNN分析股票趨勢

5、 LSTM的準備示例

Day6深度學習

下午

深度學習-4

1、  GAN

2、 DQN

案例實踐：

1、  DQN結合CNN：“flappy bird”