Python-機(jī)器學(xué)習(xí)、深度學(xué)習(xí)與計(jì)算機(jī)圖像處理技術(shù)實(shí)戰(zhàn)培訓(xùn)班

日程

培訓(xùn)模塊

培訓(xùn)內(nèi)容

第一天

上午

機(jī)器學(xué)習(xí)與線性回歸算法

線性回歸實(shí)現(xiàn)銷售數(shù)據(jù)預(yù)測(cè) (3h)

1.   線性回歸介紹與公式推導(dǎo)

2.   多變量線性歸回與梯度下降

3.   預(yù)測(cè)銷量與廣告投放相關(guān)性預(yù)測(cè)

4.   數(shù)據(jù)升維與PCA降維

5.   數(shù)據(jù)歸一化與模型優(yōu)化

6.   欠擬合與過(guò)擬合

7.   訓(xùn)練結(jié)果的可視化

8.   保存模型與再加載

第一天

下午

邏輯回歸與決策樹(shù)實(shí)戰(zhàn)

邏輯回歸之信用卡反欺詐預(yù)測(cè) (1.5h)

1.   項(xiàng)目背景與需求分析

2.   特征工程之標(biāo)準(zhǔn)化

3.   基本預(yù)處理操作

4.   上采樣與下采樣

5.   混淆矩陣可視化函數(shù)

6.   模型的訓(xùn)練與準(zhǔn)確率,精確率,召回率

決策樹(shù)、集成學(xué)習(xí)識(shí)別銀行高風(fēng)險(xiǎn)貸款 (1.5h)

1.  信息增益與算法原理介紹

2.  數(shù)據(jù)分析、特征工程

3.  模型訓(xùn)練與優(yōu)化參數(shù)

4.  隨機(jī)森林、正向激勵(lì)算法

5.  采用決策樹(shù)識(shí)別高風(fēng)險(xiǎn)貸款

第二天

上午

Tensorflow2.3 神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)與深度神經(jīng)網(wǎng)絡(luò)實(shí)踐 (1.5h)

1.   Tensorflow安裝

2.   Tensorlfow基礎(chǔ)知識(shí)

3.   Tensorflow線性回歸

4.   Tensorflow非線性回歸

5.   Mnist數(shù)據(jù)集合Softmax講解

6.   使用BP神經(jīng)網(wǎng)絡(luò)搭建手寫數(shù)字識(shí)別

7.   交叉熵(cross-entropy)講解和使用

8.   過(guò)擬合,正則化,Dropout

9.   各種優(yōu)化器Optimizer

10. 改進(jìn)手寫數(shù)字識(shí)別網(wǎng)絡(luò)

11. 模型保存與載入

第二天

下午

深度學(xué)習(xí)之卷積神經(jīng)網(wǎng)絡(luò)

CIFAR圖形圖像識(shí)別項(xiàng)目 (3h)

1.  CIFAR項(xiàng)目需求介紹

2.  分析愛(ài)data_batch數(shù)據(jù)集

3.  CNN卷積神經(jīng)網(wǎng)絡(luò)介紹

4.  卷積、深度、池化、步長(zhǎng)、激活函數(shù)

采用CNN完成CIFAR物體分類

1.  人臉識(shí)別數(shù)據(jù)集與算法介紹

2.  模型結(jié)構(gòu)設(shè)計(jì)

3.  人臉損失函數(shù)設(shè)計(jì)

4.  模型與參數(shù)調(diào)優(yōu)

第三天

上午

Keras 神經(jīng)網(wǎng)絡(luò)框架

Keras理論介紹最佳實(shí)戰(zhàn) (3h)

1.  Keras神經(jīng)網(wǎng)絡(luò)框架介紹

2.  基于Keras情感類分析

3.  動(dòng)物分類器實(shí)現(xiàn)

4.  采用Keras實(shí)現(xiàn)非線性回歸

5.  生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用

6.  模塊結(jié)構(gòu)分析與優(yōu)化策略

7.  采用Keras重構(gòu)TensorFlow項(xiàng)目

第三天

下午

Open CV計(jì)算機(jī)視覺(jué)技術(shù)

OpenCV的人臉識(shí)別 (3h)

1.  OpenVINO框架介紹與安裝測(cè)試

2.  OpenCV DNN中使用IE模塊加速

3.  轉(zhuǎn)化工具與IE模塊加速

4.  準(zhǔn)備人臉數(shù)據(jù)

5.  CV掃描圖像、平滑、擴(kuò)張實(shí)現(xiàn)

6.  DNN神經(jīng)網(wǎng)絡(luò)識(shí)別人臉

7.  測(cè)試與調(diào)優(yōu)操作

8.  基于Open CV DNN 構(gòu)建車輛與車牌檢查模型

第四天

上午

YOYO目標(biāo)識(shí)別框架技術(shù)

YOYO目標(biāo)識(shí)別框架介紹 (3h)

1.   標(biāo)檢測(cè)任務(wù)介紹

2.   RCNN/Fast-RCNN/Faster-RCNN算法介紹

3.   YOLO算法介紹

4.   目標(biāo)分割任務(wù)介紹

5.   全卷積網(wǎng)絡(luò)

6.   雙線性上采樣

7.   特征金字塔

8.   Mask RCNN算法介紹

9.   目標(biāo)分割項(xiàng)目實(shí)戰(zhàn)

第四天

下午

圖數(shù)據(jù)庫(kù)與構(gòu)建知識(shí)圖譜

知識(shí)表示與建模 (1.5h)

1.  知識(shí)圖譜核心技術(shù)：知識(shí)推理

2.  知識(shí)圖譜應(yīng)用場(chǎng)景與抽取概述介紹

3.  本體知識(shí)推理與任務(wù)分類

4.  實(shí)體與關(guān)系、事件抽取技術(shù)

5.  采用TxtCnn、CRF完成知識(shí)抽取

6.  采用RNN、LSTM完成知識(shí)抽取

知識(shí)存儲(chǔ)與問(wèn)答機(jī)器人構(gòu)建 (1.5h)

1.  知識(shí)存儲(chǔ)neo4j常用數(shù)據(jù)庫(kù)

2.  Cyhper語(yǔ)言介紹

3.  采用Py操作Neo4j數(shù)據(jù)庫(kù)

4.  基于知識(shí)圖譜問(wèn)答機(jī)器人構(gòu)建