2019Python大數(shù)據(jù)機器學(xué)習(xí)實戰(zhàn)高級工程師實戰(zhàn)培訓(xùn)班（5月深圳班）
時間：2019-05-29 08:00 至 2019-06-01 18:00
地點：深圳
- 參會報名
- 會議介紹
- 會議日程
- 會議嘉賓
- 參會指南
-
手機下單
首頁 > 商務(wù)會議 > IT互聯(lián)網(wǎng)會議 > 2019Python大數(shù)據(jù)機器學(xué)習(xí)實戰(zhàn)高級工程師實戰(zhàn)培訓(xùn)班（5月深圳班） 更新時間：2019-12-13T16:56:13
(點擊可切換)
|
2019Python大數(shù)據(jù)機器學(xué)習(xí)實戰(zhàn)高級工程師實戰(zhàn)培訓(xùn)班（5月深圳班） 已截止報名會議時間： 2019-05-29 08:00至 2019-06-01 18:00結(jié)束 會議地點： 深圳 詳細(xì)地址會前通知 周邊酒店預(yù)訂 主辦單位： 中國信息化人才培訓(xùn)中心 |
收藏4人
換一換
會議介紹
會議內(nèi)容 主辦方介紹
2019Python大數(shù)據(jù)機器學(xué)習(xí)實戰(zhàn)高級工程師實戰(zhàn)培訓(xùn)班（5月深圳班）宣傳圖
一、課程學(xué)習(xí)目標(biāo)
本課程特點是從數(shù)學(xué)層面推導(dǎo)最經(jīng)典的機器學(xué)習(xí)算法，以及每種算法的示例和代碼實現(xiàn)（Python）、如何做算法的參數(shù)調(diào)試、以實際應(yīng)用案例分析各種算法的選擇等。
1.每個算法模塊按照“原理講解→分析數(shù)據(jù)→自己動手實現(xiàn)→特征與調(diào)參”的順序。
2.“Python數(shù)據(jù)清洗和特征提取”，提升學(xué)習(xí)深度、降低學(xué)習(xí)坡度。
3.增加網(wǎng)絡(luò)爬蟲的原理和編寫，從獲取數(shù)據(jù)開始，重視將實踐問題轉(zhuǎn)換成實際模型的能力，分享工作中的實際案例或Kaggle案例：廣告銷量分析、環(huán)境數(shù)據(jù)異常檢測和分析、數(shù)字圖像手寫體識別、Titanic乘客存活率預(yù)測、用戶-電影推薦、真實新聞組數(shù)據(jù)主題分析、中文分詞、股票數(shù)據(jù)特征分析等。
4.強化矩陣運算、概率論、數(shù)理統(tǒng)計的知識運用，掌握機器學(xué)習(xí)根本。
5.闡述機器學(xué)習(xí)原理，提供配套源碼和數(shù)據(jù)。
6.以直觀解釋，增強感性理解。
7.對比不同的特征選擇帶來的預(yù)測效果差異。
8.重視項目實踐，重視落地。思考不同算法之間的區(qū)別和聯(lián)系，提高在實際工作中選擇算法的能力。
9.涉及和講解的部分Python庫有：Numpy、Scipy、matplotlib、Pandas、scikit-learn、XGBoost、libSVM、LDA、Gensim、NLTK、HMMLearn。
二、培訓(xùn)對象
大數(shù)據(jù)分析應(yīng)用開發(fā)工程師、大數(shù)據(jù)分析項目的規(guī)劃咨詢管理人員、大數(shù)據(jù)分析項目的IT項目高管人員、大數(shù)據(jù)分析與挖掘處理算法應(yīng)用工程師、大數(shù)據(jù)分析集群運維工程師、大數(shù)據(jù)分析項目的售前和售后技術(shù)支持服務(wù)人員
三、頒發(fā)證書
參加相關(guān)培訓(xùn)并通過考試的學(xué)員，可以獲得：
工業(yè)和信息化部頒發(fā)的-《Python大數(shù)據(jù)工程師證書》。該證書可作為專業(yè)技術(shù)人員職業(yè)能力考核的證明，以及專業(yè)技術(shù)人員崗位聘用、任職、定級和晉升職務(wù)的重要依據(jù)。
注：請學(xué)員帶一寸彩照2張（背面注明姓名）、身份證復(fù)印件一張。
四、培訓(xùn)時間、地點
2019年5月29日-6月1日 深圳
查看更多
中國信息化人才培訓(xùn)中心
天博信通-中國信息化人才培訓(xùn)中心率先在國內(nèi)開展高級軟件架構(gòu)等IT高端培訓(xùn)的公開課。多年來持續(xù)不斷的投入精力創(chuàng)新課程體系，至今已在國內(nèi)開展公開課培訓(xùn)的課程達(dá)十幾門，分別涵蓋、云計算、大數(shù)據(jù)、軟件架構(gòu)、軟件設(shè)計、高級UI設(shè)計、項目管理、質(zhì)量管理、需求工程、運營管理等領(lǐng)域，也根據(jù)企事業(yè)單位的實用需求, 通過定制培訓(xùn)方案，培訓(xùn)后的技術(shù)服務(wù)，將企業(yè)單位的信息化投資的效益發(fā)揮到最高點。目前中心已經(jīng)與幾百家企事業(yè)單位建立了長期的培訓(xùn)合作關(guān)系, 深得用戶信賴和好評。
會議日程
（最終日程以會議現(xiàn)場為準(zhǔn)）
詳細(xì)培訓(xùn)內(nèi)容介紹
|
課程模塊 |
課程主題 |
主要內(nèi)容及案例和演示 |
|
|
模塊一 |
機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)1 - 數(shù)學(xué)分析 |
1. 機器學(xué)習(xí)的一般方法和橫向比較 2. 數(shù)學(xué)是有用的：以SVD為例 3. 機器學(xué)習(xí)的角度看數(shù)學(xué) 4. 復(fù)習(xí)數(shù)學(xué)分析 5. 直觀解釋常數(shù)e 6. 導(dǎo)數(shù)/梯度 7. 隨機梯度下降 8. Taylor展式的落地應(yīng)用 9. gini系數(shù) 10. 凸函數(shù) 11. Jensen不等式 12. 組合數(shù)與信息熵的關(guān)系 |
|
|
模塊二 |
機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)2 - 概率論與貝葉斯先驗 |
1. 概率論基礎(chǔ) 2. 古典概型 3. 貝葉斯公式 4. 先驗分布/后驗分布/共軛分布 5. 常見概率分布 6. 泊松分布和指數(shù)分布的物理意義 7. 協(xié)方差(矩陣)和相關(guān)系數(shù) 8. 獨立和不相關(guān) 9. 大數(shù)定律和中心極限定理的實踐意義 10. 深刻理解最大似然估計MLE和最大后驗估計MAP 11. 過擬合的數(shù)學(xué)原理與解決方案 |
|
|
模塊三 |
機器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)3 - 矩陣和線性代數(shù) |
1. 線性代數(shù)在數(shù)學(xué)科學(xué)中的地位 2. 馬爾科夫模型 3. 矩陣乘法的直觀表達(dá) 4. 狀態(tài)轉(zhuǎn)移矩陣 5. 矩陣和向量組 6. 特征向量的思考和實踐計算 7. QR分解 8. 對稱陣、正交陣、正定陣 9. 數(shù)據(jù)白化及其應(yīng)用 10. 向量對向量求導(dǎo) 11. 標(biāo)量對向量求導(dǎo) 12. 標(biāo)量對矩陣求導(dǎo)工作機制 |
|
|
模塊四 |
Python基礎(chǔ)1 - Python及其數(shù)學(xué)庫 |
1. 解釋器Python2.7與IDE：Anaconda/Pycharm 2. Python基礎(chǔ)：列表/元組/字典/類/文件 3. Taylor展式的代碼實現(xiàn) 4. numpy/scipy/matplotlib/panda的介紹和典型使用 5. 多元高斯分布 6. 泊松分布、冪律分布 7. 典型圖像處理 8. 蝴蝶效應(yīng) 9. 分形與可視化 |
|
|
模塊五 |
Python基礎(chǔ)2 - 機器學(xué)習(xí)庫 |
1. scikit-learn的介紹和典型使用 2. 損失函數(shù)的繪制 3. 多種數(shù)學(xué)曲線 4. 多項式擬合 5. 快速傅里葉變換FFT 6. 奇異值分解SVD 7. Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡(luò) 8. 卷積與(指數(shù))移動平均線 9. 股票數(shù)據(jù)分析 |
|
|
模塊六 |
Python基礎(chǔ)3 - 數(shù)據(jù)清洗和特征選擇 |
1. 實際生產(chǎn)問題中算法和特征的關(guān)系 2. 股票數(shù)據(jù)的特征提取和應(yīng)用 3. 一致性檢驗 4. 缺失數(shù)據(jù)的處理 5. 環(huán)境數(shù)據(jù)異常檢測和分析 6. 模糊數(shù)據(jù)查詢和數(shù)據(jù)校正方法、算法、應(yīng)用 7. 樸素貝葉斯用于鳶尾花數(shù)據(jù) 8. GaussianNB/MultinomialNB/BernoulliNB 9. 樸素貝葉斯用于18000+篇/Sogou新聞文本的分類 |
|
|
模塊七 |
?回歸 |
1. 線性回歸 2. Logistic/Softmax回歸 3. 廣義線性回歸 4. L1/L2正則化 5. Ridge與LASSO 6. Elastic Net 7. 梯度下降算法：BGD與SGD 8. 特征選擇與過擬合 |
|
|
模塊八 |
Logistic回歸 ? |
1. Sigmoid函數(shù)的直觀解釋 2. Softmax回歸的概念源頭 3. Logistic/Softmax回歸 4. 最大熵模型 5. K-L散度 6. 損失函數(shù) 7. Softmax回歸的實現(xiàn)與調(diào)參 |
|
|
模塊九 |
回歸實踐 |
1. 機器學(xué)習(xí)sklearn庫介紹 2. 線性回歸代碼實現(xiàn)和調(diào)參 3. Softmax回歸代碼實現(xiàn)和調(diào)參 4. Ridge回歸/LASSO/Elastic Net 5. Logistic/Softmax回歸 6. 廣告投入與銷售額回歸分析 7. 鳶尾花數(shù)據(jù)集的分類 8. 交叉驗證 9. 數(shù)據(jù)可視化 |
|
|
模塊十 |
決策樹和隨機森林 |
1. 熵、聯(lián)合熵、條件熵、KL散度、互信息 2. 最大似然估計與最大熵模型 3. ID3、C4.5、CART詳解 4. 決策樹的正則化 5. 預(yù)剪枝和后剪枝 6. Bagging 7. 隨機森林 8. 不平衡數(shù)據(jù)集的處理 9. 利用隨機森林做特征選擇 10. 使用隨機森林計算樣本相似度 11. 數(shù)據(jù)異常值檢測 |
|
|
模塊十一 |
隨機森林實踐 |
1. 隨機森林與特征選擇 2. 決策樹應(yīng)用于回歸 3. 多標(biāo)記的決策樹回歸 4. 決策樹和隨機森林的可視化 5. 葡萄酒數(shù)據(jù)集的決策樹/隨機森林分類 6. 波士頓房價預(yù)測 |
|
|
模塊十二 |
提升 |
1. 提升為什么有效 2. 梯度提升決策樹GBDT 3. XGBoost算法詳解 4. Adaboost算法 5. 加法模型與指數(shù)損失 |
|
|
模塊十三 |
提升實踐 |
1. Adaboost用于蘑菇數(shù)據(jù)分類 2. Adaboost與隨機森林的比較 3. XGBoost庫介紹 4. Taylor展式與學(xué)習(xí)算法 5. KAGGLE簡介 6. 泰坦尼克乘客存活率估計 |
|
|
模塊十四 |
SVM |
1. 線性可分支持向量機 2. 軟間隔的改進(jìn) 3. 損失函數(shù)的理解 4. 核函數(shù)的原理和選擇 5. SMO算法 6. 支持向量回歸SVR |
|
|
模塊十五 |
SVM實踐 |
1. libSVM代碼庫介紹 2. 原始數(shù)據(jù)和特征提取 3. 葡萄酒數(shù)據(jù)分類 4. 數(shù)字圖像的手寫體識別 5. SVR用于時間序列曲線預(yù)測 6. SVM、Logistic回歸、隨機森林三者的橫向比較 |
|
|
模塊十六 |
聚類（一） |
1. 各種相似度度量及其相互關(guān)系 2. Jaccard相似度和準(zhǔn)確率、召回率 3. Pearson相關(guān)系數(shù)與余弦相似度 4. K-means與K-Medoids及變種 5. AP算法(Sci07)/LPA算法及其應(yīng)用 |
|
|
模塊十七 |
聚類（二） |
1. 密度聚類DBSCAN/DensityPeak(Sci14) 2. DensityPeak(Sci14) 3. 譜聚類SC 4. 聚類評價AMI/ARI/Silhouette 5. LPA算法及其應(yīng)用 |
|
|
模塊十八 |
聚類實踐 |
1. K-Means++算法原理和實現(xiàn) 2. 向量量化VQ及圖像近似 3. 并查集的實踐應(yīng)用 4. 密度聚類的代碼實現(xiàn) 5. 譜聚類用于圖片分割 |
|
|
模塊十九 |
EM算法 |
1. 最大似然估計 2. Jensen不等式 3. 樸素理解EM算法 4. 精確推導(dǎo)EM算法 5. EM算法的深入理解 6. 混合高斯分布 7. 主題模型pLSA |
|
|
模塊二十 |
EM算法實踐 |
1. 多元高斯分布的EM實現(xiàn) 2. 分類結(jié)果的數(shù)據(jù)可視化 3. EM與聚類的比較 4. Dirichlet過程EM 5. 三維及等高線等圖件的繪制 6. 主題模型pLSA與EM算法 |
|
|
模塊二十一 |
主題模型LDA |
1. 貝葉斯學(xué)派的模型認(rèn)識 2. Beta分布與二項分布 3. 共軛先驗分布 4. Dirichlet分布 5. Laplace平滑 6. Gibbs采樣詳解 |
|
|
模塊二十二 |
LDA實踐 |
1. 網(wǎng)絡(luò)爬蟲的原理和代碼實現(xiàn) 2. 停止詞和高頻詞 3. 動手自己實現(xiàn)LDA 4. LDA開源包的使用和過程分析 5. Metropolis-Hastings算法 6. MCMC 7. LDA與word2vec的比較 8. TextRank算法與實踐 |
|
|
模塊二十三 |
隱馬爾科夫模型HMM |
1. 概率計算問題 2. 前向/后向算法 3. HMM的參數(shù)學(xué)習(xí) 4. Baum-Welch算法詳解 5. Viterbi算法詳解 6. 隱馬爾科夫模型的應(yīng)用優(yōu)劣比較 |
|
|
模塊二十四 |
HMM實踐 |
1. 動手自己實現(xiàn)HMM用于中文分詞 2. 多個語言分詞開源包的使用和過程分析 3. 文件數(shù)據(jù)格式UFT-8、Unicode 4. 停止詞和標(biāo)點符號對分詞的影響 5. 前向后向算法計算概率溢出的解決方案 6. 發(fā)現(xiàn)新詞和分詞效果分析 7. 高斯混合模型HMM 8. GMM-HMM用于股票數(shù)據(jù)特征提取 |
|
|
模塊二十五 |
? |
課堂提問與互動討論 |
|
查看更多
會議嘉賓
（最終出席嘉賓以會議現(xiàn)場為準(zhǔn)）
師資介紹
張老師：阿里大數(shù)據(jù)高級專家，國內(nèi)資深的Spark、Hadoop技術(shù)專家、虛擬化專家，對HDFS、MapReduce、HBase、Hive、Mahout、Storm、spark和openTSDB等Hadoop生態(tài)系統(tǒng)中的技術(shù)進(jìn)行了多年的深入的研究，更主要的是這些技術(shù)在大量的實際項目中得到廣泛的應(yīng)用，因此在Hadoop開發(fā)和運維方面積累了豐富的項目實施經(jīng)驗。近年主要典型的項目有：某電信集團網(wǎng)絡(luò)優(yōu)化、中國移動某省移動公司請賬單系統(tǒng)和某省移動詳單實時查詢系統(tǒng)、中國銀聯(lián)大數(shù)據(jù)數(shù)據(jù)票據(jù)詳單平臺、某大型銀行大數(shù)據(jù)記錄系統(tǒng)、某大型通信運營商全國用戶上網(wǎng)記錄、某省交通部門違章系統(tǒng)、某區(qū)域醫(yī)療大數(shù)據(jù)應(yīng)用項目、互聯(lián)網(wǎng)公共數(shù)據(jù)大云(DAAS)和構(gòu)建游戲云(Web Game Daas)平臺項目等。
查看更多
參會指南
會議門票
培訓(xùn)費用及須知
7800元/人（含教材、培訓(xùn)費、考證費以及學(xué)習(xí)用具等費用） 食宿統(tǒng)一安排，費用自理。
注：請學(xué)員帶一寸彩照2張（背面注明姓名）、身份證復(fù)印件一張。
查看更多
溫馨提示
酒店與住宿:
為防止極端情況下活動延期或取消，建議“異地客戶”與活動家客服確認(rèn)參會信息后，再安排出行與住宿。
退款規(guī)則:
活動各項資源需提前采購，購票后不支持退款，可以換人參加。
您可能還會關(guān)注
-
DAMS2025中國數(shù)據(jù)智能管理峰會（上海）
2025-09-12 上海
-
SECon 2025 全球軟件工程技術(shù)大會·深圳
2025-06-20 深圳
-
SECON 2025全球軟件工程技術(shù)大會·上海
2025-11-21 上海
-
AICon 全球人工智能開發(fā)與應(yīng)用大會 2025·上海
2025-05-23 上海
贊助
