|
|
第1章 人工智能时代，人人都应该学会利用AI这个工具
本章将和大家介绍课程目标与内容概要，和大家分享人工智能的核心概念：人工智能定义、主要方法、现状。我们会完成开发环境的搭建及工具的学习、使用，具体工具包括：python、anaconda、jupyter notebook、pandas、numpy、matplotlib。
第2章 机器学习之线性回归
本章将给大家讲解机器学习及线性回归。机器学习部分会涵盖应用场景与概念的介绍、三大学习方法（监督、无监督、强化学习）的对比。线性回归部分则包含回归分析案例、线性回归模型、模型求解，及建立模型实现房价预测的实战。本章还会教大家完成sklearn的配置。...
第3章 机器学习之逻辑回归
本章将围绕分类问题及逻辑回归技术进行讲解，通过案例介绍、及与回归问题的对比，让大家理解分类模型。本章会和大家介绍sigmoid方程，并分享逻辑回归模型的求解过程。实战案例包含：考试通过预测（线性边界分类）、芯片质量预测（非线性分类）...
第4章 机器学习之聚类
本章会学习不需要标签数据的无监督学习及其最常用的聚类分析方法。针对聚类问题，我们会学习KMeans、Meanshift、DBSCAN算法，并且将其与监督学习的KNN算法进行对比。实战案例将建立多个模型完成数据簇的划分。
第5章 机器学习其他常用技术
本章将和大家讲解三个常用技术：逻辑回归、异常检测、PCA主成分分析，针对每个技术都会介绍核心概念及原理。本章还会向大家介绍iris鸢尾花经典数据集，并针对三项技术分别进行实战讲解。本章还会教大家完成keras的配置。
第6章 模型评价与优化
本章会和大家分享模型优化过程中遇到的常见问题及其解决办法，帮助大家理解欠拟合与过拟合问题、数据分离技术、混淆矩阵及常用的数据预处理技术。实战案例将综合各项技术完成模型的选择与优化。
第7章 深度学习之多层感知器
本章将进入深度学习部分，实现逻辑回归模型到神经网络结构的过度，并通过实际案例帮助大家理解MLP实现非线性分类与多分类的原理。实战部分将介绍mnist手写数字经典数据集，并实现图像数字识别。
第8章 深度学习之卷积神经网络
本章将基于普通的MLP结构，结合图像卷积、池化和填充技术，向大家介绍擅长于解决图像问题的卷积神经网络。我们还会学习经典的CNN模型：LeNet、AlexNet、VGG16。实战部分将完成猫狗图像分类，并教大家如何利用经典VGG16模型快速搭建新模型。...
第9章 深度学习之循环神经网络
本章将围绕序列数据处理展开讲解，透过语言序列分析案例和大家介绍循环神经网络模型，并基于基本的RNN模型分析不同的RNN结构，包括长短期记忆网络LSTM、双向循环神经网络与深层循环神经网络。实战部分会建立RNN模型完成股价预测、搭建LSTM模型实现文本生成。...
第10章 迁移混合模型
本章将带大家认识迁移学习方法，并完成模型的迁移训练；还会和大家介绍混合学习模型，包括监督+无监督学习、机器学习+深度学习。实战案例将通过搭建一个无标签的异常苹果检测模型，教大家综合多项技术解决问题，并熟悉混合模型的建立方法与结构。...
第11章 课程总结
本章将对本门课程进行总结，帮助大家梳理课程核心知识点，建立知识体系。
|
|
发表于 2020-2-19 23:15:22
发表于 2020-2-23 14:59:22
