致力于提升研发企业的持续创新能力

课程介绍

    本课程体系化的、完整地讲解人工智能的算法与实践。课程首先对机器学习领域绝大多数常用算法进行讲解，包括各种经典算法以及深度学习算法，涉及监督学习、无监督学习以及增强学习和特征工程多个领域，紧接着采用程序实例深入讲解各种算法的使用及实践场景，旨在培养又能理解算法，又能在行业实践与应用场景中真正使用人工智能算法的专业人才。

学习天数

   2天

课程安排：

1. 人工智能综述

1.1 人工智能、机器学习与深度学习

1.2机器学习算法体系与发展

1.3机器学习计算体系与发展

1.4 人工智能的应用领域综述

2. 机器学习算法教程

2.1 算法教程

    2.1.1 K近邻算法KNN

2.1.2线性回归、梯度下降与最大似然估计

    2.1.3 逻辑回归

    2.1.4 支持向量机SVM

    2.1.5 朴素贝叶斯与生成式分类算法

    2.1.6 随机森林算法与决策树

    2.1.7 UML之KMeans算法

    2.1.9 EM算法

    2.1.9 特征工程之PCA算法

    2.1.10 特征工程之ICA算法

    2.1.11 特征工程之SVD算法

    2.1.12 增强学习之Markov动态规划MDP

2.2 计算框架教程

    2.2.1传统计算框架

2.2.1 Map/Reduce

    2.2.2 MPI

    2.2.3参数服务器

2.3 模型生产流程

2.4 模型评估

3. 深度学习算法教程

   3.1 人脑与神经网络算法

   3.2 多层感知机

   3.3 前馈神经网络与误差反向传播

   3.4 卷积神经网络CNN

   3.5 循环神经网络RNN

   3.6 深度学习开源框架

4. 机器学习算法实践教程

   4.1 实验环境准备：虚拟机、Python及环境

   4.2 机器学习实践流程

   4.3 单一算法实践：逻辑回归

   4.4单一算法实践：SVM

   4.5单一算法实践：朴素贝叶斯与文本分类

   4.6 集成算法实践：随机森林

   4.7 增加算法实践：MDP动态规划

   4.8 特征工程实践：PCA

   4.9 综合算法实践：信用评分模型

       4.9.1 原理

       4.9.2 数据集

       4.9.3 数据预处理

       4.9.4 分箱

       4.9.5 WoE转换

       4.9.6 模型建立与模型转换

   4.10 机器学习应用场景综述