招生简章
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 *实践 |
|
业内经验交流 |
- 口碑点评