• 招生咨詢熱線:4008-569-579
  • 手機(jī)版
    切換手機(jī)
招生咨詢熱線
4008-569-579
當(dāng)前位置:賦能網(wǎng)>培訓(xùn)課程>IT電腦>大數(shù)據(jù)>AI人工智能>深圳AI人工智能特訓(xùn)練營(yíng)培訓(xùn)班課程
深圳AI人工智能特訓(xùn)練營(yíng)培訓(xùn)班課程
已有:15262人關(guān)注 分享 分享 收藏 收藏 jubao 舉報(bào)

深圳AI人工智能特訓(xùn)練營(yíng)培訓(xùn)班課程

  • 價(jià)格¥咨詢客服
  • 授課類型面授
  • 班級(jí)類型小班
  • 課時(shí) 200
  • 授課校區(qū)深圳
  • 上課時(shí)段 全天班   白天班   晚上班   周末班   
預(yù)約試聽(tīng)預(yù)約試聽(tīng) 在線咨詢在線咨詢

課程介紹

特訓(xùn)營(yíng)·第1計(jì)劃·(階段一)

標(biāo)準(zhǔn)庫(kù),擴(kuò)展庫(kù),運(yùn)算符,表達(dá)式,字符串、轉(zhuǎn)義字符,字符串的輸出和輸入,訪問(wèn)字符串中的值,字符串內(nèi)建函數(shù);

列表,包括列表訪問(wèn),列表運(yùn)算,深拷貝/淺拷貝,列表常用的方法;

字典,集合,條件表達(dá)式,選擇結(jié)構(gòu),包括while循環(huán),break語(yǔ)句,forin循環(huán),range函數(shù),continue語(yǔ)句;

函數(shù)參數(shù),變量作用域,lambda,生成器;類的定義,使用,數(shù)據(jù)成員,成員方法,特殊方法,運(yùn)算符重載;

numpy,包括NumPy數(shù)學(xué)函數(shù),NumPy統(tǒng)計(jì)函數(shù),NumPy矩陣庫(kù)(Matrix),NumPy排序、條件刷選函數(shù),NumPy線性代數(shù),數(shù)組運(yùn)算,矩陣運(yùn)算,scipy,pandas,如Pandas數(shù)據(jù)結(jié)構(gòu),Pandas數(shù)據(jù)幀(Dataframe),Pandas面板,包括Pandas基本應(yīng)用,Pandas描述性統(tǒng)計(jì),Pandas函數(shù)應(yīng)用,Pandas重建索引,Pandas迭代,Pandas統(tǒng)計(jì)函數(shù);


特訓(xùn)營(yíng)·第2計(jì)劃·(階段二)

Pandas讀取數(shù)據(jù),scikit-learn訓(xùn)練與測(cè)試模型;

評(píng)估模型性能的指標(biāo);交叉驗(yàn)證(把給定的數(shù)據(jù)進(jìn)行切分,將切分的數(shù)據(jù)集分為“訓(xùn)練集”和“驗(yàn)證集”(假設(shè)其中4份為train,1份為validation),在此基礎(chǔ)上循環(huán)選取進(jìn)行訓(xùn)練和驗(yàn)證。曲線判斷過(guò)欠擬合,用網(wǎng)絡(luò)搜索訓(xùn)練模型;測(cè)試NumPy、pandas技能的掌握;測(cè)試對(duì)模型評(píng)估與驗(yàn)證的理解;




特訓(xùn)營(yíng)·第3計(jì)劃·(階段三)

分類與回歸的區(qū)別,學(xué)習(xí)使用線性回歸來(lái)做預(yù)測(cè);

Iris經(jīng)典愛(ài)麗絲,愛(ài)麗絲進(jìn)化與文本矢量化,AI操作流程,數(shù)據(jù)切割函數(shù),Iris愛(ài)麗絲分解,線性回歸算法,邏輯回歸算法;樸素貝葉斯原理,樸素貝葉斯算法,KNN近鄰算法,隨機(jī)森林算法,構(gòu)建垃圾郵件分類器;

決策樹(shù)算法,GBDT迭代決策樹(shù)算法,SVM向量機(jī),SVM-cross向量機(jī)交叉算方法,神經(jīng)網(wǎng)絡(luò)算法,MLP神經(jīng)網(wǎng)絡(luò)算法,MLP_reg神經(jīng)網(wǎng)絡(luò)回歸算法,探索泰坦尼克號(hào)乘客存活模型;支持向量機(jī)以線性分離數(shù)據(jù);

非線性可分的數(shù)據(jù)上來(lái)訓(xùn)練SVM;boosting提升傳統(tǒng)方法;Adaboost,CCPP數(shù)據(jù)集,數(shù)據(jù)集切割,讀取CCPP數(shù)據(jù)集,機(jī)器學(xué)習(xí)統(tǒng)一接口,批量調(diào)用機(jī)器學(xué)習(xí)算法,一體化調(diào)用,存儲(chǔ)算法模型,批量存儲(chǔ)算法模型,批量加載算法模型,機(jī)器組合算法;監(jiān)督學(xué)習(xí)測(cè)試題;


特訓(xùn)營(yíng)·第4計(jì)劃·(階段四)

聚類算法,k-means對(duì)數(shù)據(jù)聚類;k-means,K均值聚類算法是先隨機(jī)選取K個(gè)對(duì)象作為初始的聚類中心。計(jì)算每個(gè)對(duì)象與各個(gè)種子聚類中心之間的距離,把每個(gè)對(duì)象分配給距離它最近的聚類中心,對(duì)電影評(píng)分聚類;

單連接聚類法、層次聚類法,通過(guò)某種相似性測(cè)度計(jì)算節(jié)點(diǎn)之間的相似性;DBSCAN,Density-basedSpatialClusteringofApplicationswithNois是一個(gè)比較有代表性的基于密度的聚類算法;高斯混合模型、高斯概率密度函數(shù)、正態(tài)分布曲線及

相關(guān)示例;

通過(guò)案例學(xué)習(xí)特征縮放;降維,PCA的原理(PCA降維原理是基于訓(xùn)練數(shù)據(jù)集X的協(xié)方差矩陣C的特征向量組成的K階矩陣U,XU得到X的k階降維矩陣Z。主要原理用的是協(xié)方差矩陣C是一個(gè)實(shí)對(duì)角矩陣的性質(zhì)和使用場(chǎng)景;

特征臉?lè)椒?、SVM臉部識(shí)別,使用預(yù)處理來(lái)提取更有意義的特征。這里使用主成份分析來(lái)提取150個(gè)基本元素,然后將其提供給支持向量機(jī)分類器,將這個(gè)預(yù)處理和分類器打包成管道;隨機(jī)投影(隨機(jī)投影的理論依據(jù)是J-LLemma,公式的核心思想總結(jié)一句話就是:在高維歐氏空間里的點(diǎn)集映射到低維空間里相對(duì)距離得到某誤差范圍內(nèi)的保持,獨(dú)立成分分析,Lab學(xué)習(xí)應(yīng)用這些方法;非監(jiān)督學(xué)習(xí)測(cè)試題;


特訓(xùn)營(yíng)·第5計(jì)劃·(階段五)

深度學(xué)習(xí),這是機(jī)器學(xué)習(xí)中一種基于對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法。觀測(cè)值(例如一幅圖像)可以使用多種方式來(lái)表示,如每個(gè)像素強(qiáng)度值的向量,或者更抽象地表示成一系列邊、特定形狀的區(qū)域等,而使用某些特定的表情識(shí)別,包括softmax、one-hotencoding和crossentropy感知器,與梯度下降;

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),通過(guò)backpropogation來(lái)訓(xùn)練網(wǎng)絡(luò)優(yōu)化神經(jīng)網(wǎng)絡(luò),如regularization與dropout使用Keras分析IMDB電影數(shù)據(jù);卷積神經(jīng)網(wǎng)絡(luò)原理,卷積神經(jīng)網(wǎng)絡(luò),包括Convo-lutional,NeuralNetworks,CNN,是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò),F(xiàn)eed-forward、NeuralNetwo,是深度學(xué)習(xí)(deeplearning)的代表算法之一、圖像識(shí)別、keras、

遷移學(xué)習(xí);深度學(xué)習(xí)在癌癥(如皮膚癌)檢測(cè),將近13萬(wàn)張可用的皮膚病變圖像,覆蓋了2000多種不同的疾病類型。他們使用這一數(shù)據(jù)集創(chuàng)建了圖像庫(kù),并將其作為原始像素提供給算法,每個(gè)像素都帶有標(biāo)簽,描述了相關(guān)疾病的附加數(shù)據(jù)。研究人員訓(xùn)練算法總結(jié)出圖像里的模式,也即發(fā)現(xiàn)疾病經(jīng)由組織傳播在外觀上所遵循的規(guī)則;


特訓(xùn)營(yíng)·第6計(jì)劃·(階段六)

強(qiáng)化學(xué)習(xí)(reinforcementlearning),又稱再勵(lì)學(xué)習(xí)、評(píng)價(jià)學(xué)習(xí),是一種重要的機(jī)器學(xué)習(xí)方法,在智能控制機(jī)器人及分析預(yù)測(cè)等領(lǐng)域有許多應(yīng)用,與OpenAIGym的基礎(chǔ);馬爾科夫決策過(guò)程策略,基于馬爾可夫過(guò)程理論的隨機(jī)動(dòng)態(tài)系統(tǒng)的優(yōu)決策過(guò)程;

馬爾可夫決策過(guò)程是序貫決策的主要研究領(lǐng)域,它是馬爾可夫過(guò)程與確定性的動(dòng)態(tài)規(guī)劃相結(jié)合的產(chǎn)物,又稱馬爾科夫型隨機(jī)動(dòng)態(tài)規(guī)劃,屬于運(yùn)籌學(xué)中的支,推到Bellman方程;

迭代策略評(píng)估、策略改進(jìn)、策略迭代和值迭代;蒙特卡洛預(yù)測(cè),也叫蒙特卡羅(MonteCarlo)方法,又稱隨機(jī)抽樣或統(tǒng)計(jì)試驗(yàn)方法,控制方案、greedy算法、epsilon-greedy算法;Sarsa、Q-Learning、預(yù)期Sarsa;

解決OpenAIGym(OpenAIGym是一個(gè)用于開(kāi)發(fā)和比較RL算法的工具包,與其他的數(shù)值計(jì)算庫(kù)兼容,如tensorflow或者theano庫(kù)?,F(xiàn)在主要支持的是python語(yǔ)言,以后將支持其他語(yǔ)言)的Taxi-v2任務(wù);傳統(tǒng)算法適用于連續(xù)空間;深度神經(jīng)網(wǎng)絡(luò)將強(qiáng)化學(xué)習(xí)方法擴(kuò)展到復(fù)雜問(wèn)題;基于策略的方法優(yōu)化優(yōu)策略;基于價(jià)值、基于策略的方法,解決具有挑戰(zhàn)性的強(qiáng)化

學(xué)習(xí)問(wèn)題;強(qiáng)化學(xué)習(xí)相關(guān)的測(cè)試題;