課程安排

第一天上午

1、機(jī)器學(xué)習(xí)簡(jiǎn)介

回歸算法理論與實(shí)戰(zhàn)： 1.一元線性回歸 2.代價(jià)函數(shù) 3.梯度下降法 4.使用梯度下降法實(shí)現(xiàn)一元線性回歸 5.標(biāo)準(zhǔn)方程法 6.使用sklearn實(shí)現(xiàn)一元線性回歸 7.多元線性回歸 8.使用sklearn實(shí)現(xiàn)多元線性回歸 9.特征縮放，交叉驗(yàn)證法 10.過擬合正則化 11.嶺回歸 12.sklearn實(shí)現(xiàn)嶺回歸 13.LASSO回歸 14.sklearn實(shí)現(xiàn)LASSO回歸

第一天下午

1、決策樹算法理論與實(shí)戰(zhàn) 集成學(xué)習(xí)算法理論與實(shí)戰(zhàn)

15.決策樹-信息熵,ID3,C4.5算法介紹 16.sklearn實(shí)現(xiàn)決策樹 17.決策樹-CART算法 18.決策樹應(yīng)用 19.Bagging介紹與使用 20.隨機(jī)森林介紹與使用 21.Adaboost介紹與使用 22.Stacking和Voting介紹與使用

第二天上午

1、KNN算法和決策樹算法理論與實(shí)戰(zhàn) 聚類算法理論與實(shí)戰(zhàn)

1.KNN算法介紹 2.python實(shí)現(xiàn)knn算法 3.sklearn實(shí)現(xiàn)knn算法完成iris數(shù)據(jù)集分類 4.k-means算法原理 5.k-means算法實(shí)現(xiàn) 6.DBSCAN算法原理 7.DBSCAN算法實(shí)現(xiàn)

第二天下午

1、神經(jīng)網(wǎng)絡(luò)算法

8.神經(jīng)網(wǎng)絡(luò)基本原理 9.單層感知器程序 10.線性神經(jīng)網(wǎng)絡(luò) 11.激活函數(shù)，損失函數(shù)和梯度下降法 12.線性神經(jīng)網(wǎng)絡(luò)異或問題 13.BP神經(jīng)網(wǎng)絡(luò)介紹 14.BP算法推導(dǎo) 15.BP神經(jīng)網(wǎng)絡(luò)解決異或問題 16.BP算法完成手寫數(shù)字識(shí)別 16.sklearn-BP神經(jīng)網(wǎng)絡(luò)解決手寫數(shù)字識(shí)別 17.GOOGLE神經(jīng)網(wǎng)絡(luò)平臺(tái)

第三天上午

1、Tensorflow（一）

1.深度學(xué)習(xí)框架介紹 2.Tensorflow安裝 3.Tensorlfow基礎(chǔ)知識(shí)：圖，變量，fetch，feed 4.Tensorflow線性回歸 5.Tensorflow非線性回歸 6.Mnist數(shù)據(jù)集合Softmax講解 7.使用BP神經(jīng)網(wǎng)絡(luò)搭建手寫數(shù)字識(shí)別 8.交叉熵(cross-entropy)講解和使用

第三天下午

1、Tensorflow（二）

9.過擬合,正則化,Dropout 10.各種優(yōu)化器Optimizer 11.改進(jìn)手寫數(shù)字識(shí)別網(wǎng)絡(luò) 12.卷積神經(jīng)網(wǎng)絡(luò)CNN的介紹 13.使用CNN解決手寫數(shù)字識(shí)別 14.長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)LSTM介紹 15.LSTM的使用 16.模型保存與載入

第四天上午

1、圖像識(shí)別項(xiàng)目 圖像識(shí)別項(xiàng)目 驗(yàn)證碼識(shí)別項(xiàng)目

1.介紹Google圖像識(shí)別模型Inception-v3 2.使用Inception-v3做圖像識(shí)別 3.訓(xùn)練自己的圖像識(shí)別模型 4.多任務(wù)學(xué)習(xí)介紹 5.生存驗(yàn)證碼圖片 6.構(gòu)建驗(yàn)證碼識(shí)別模型

第四天下午

1、文本分類項(xiàng)目 生成式對(duì)抗網(wǎng)絡(luò)GANs

7.文本分類任務(wù)介紹 8.word2vec介紹 9.使用CNN完成文本分類 10.使用LSTM完成文本分類 11.GANs介紹 12.使用tensorflow完成GANs