學(xué)習(xí)費(fèi)用: | 8800.00元/人 | 主講老師: | |
開課時(shí)間: | 課時(shí)安排: | 4天 | |
開課地點(diǎn): | 全國(guó) | ||
課程報(bào)名: | 隋老師 (微信同號(hào)) | ||
課程對(duì)象: | |||
課程簡(jiǎn)介: | |||
課程分類: | 領(lǐng)導(dǎo)力 | 人力資源 | 市場(chǎng)營(yíng)銷 | 財(cái)務(wù)稅務(wù) | 戰(zhàn)略管理 | 薪酬績(jī)效 | 職業(yè)素養(yǎng) | 經(jīng)理人 | 生產(chǎn)管理 | 采購(gòu)管理 | 質(zhì)量管理 | 物流管理 | 供應(yīng)鏈管理 | 倉儲(chǔ)管理 | 管理體系 | 項(xiàng)目管理 | 商務(wù)禮儀 | 談判技巧 | 目標(biāo)管理 | 客戶服務(wù) | 溝通和表達(dá) | 心理學(xué) | 阿米巴 | 事業(yè)單位 | 國(guó)際貿(mào)易 | 數(shù)字化轉(zhuǎn)型 | 資本運(yùn)作 | 國(guó)學(xué)智慧 | 房地產(chǎn) | epc培訓(xùn) | TTT培訓(xùn) | 招投標(biāo) | 女性培訓(xùn) | 班組管理 | 店長(zhǎng)培訓(xùn) | 六西格瑪 | | ||
更新時(shí)間: | 2022-04-01 12:54 |
培訓(xùn)收益
課程中通過細(xì)致講解,使學(xué)員掌握該技術(shù)的本質(zhì)。具體收益包括:
1、回歸算法理論與實(shí)戰(zhàn);
2、決策樹算法理論與實(shí)戰(zhàn);
3、集成學(xué)習(xí)算法理論與實(shí)戰(zhàn);
4、KNN算法和決策樹算法理論與實(shí)戰(zhàn);
5、聚類算法理論與實(shí)戰(zhàn);
6、神經(jīng)網(wǎng)絡(luò)算法;
7、Tensorflow;
8、生成式對(duì)抗網(wǎng)絡(luò)GANs。
課程大綱
第一章 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)
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、線性回歸預(yù)測(cè)銷售數(shù)據(jù)
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、欠擬合與過擬合
7、訓(xùn)練結(jié)果的可視化
8、保存模型與再加載
第二章 邏輯回歸與決策樹實(shí)戰(zhàn)
邏輯回歸之信用卡反欺詐預(yù)測(cè)
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,*率,召回率
決策樹、集成學(xué)習(xí)識(shí)別銀行高風(fēng)險(xiǎn)貸款
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、采用決策樹識(shí)別高風(fēng)險(xiǎn)貸款
第三章 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、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
第四章 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
1、CIFAR項(xiàng)目需求介紹
2、分析愛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)
第五章 Keras 神經(jīng)網(wǎng)絡(luò)框架
Keras理論介紹*實(shí)戰(zhàn)
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
第六章 Open CV計(jì)算機(jī)視覺技術(shù)
OpenCV的人臉識(shí)別
1、OpenVI*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
第七章 YOYO目標(biāo)識(shí)別框架技術(shù)
YOYO目標(biāo)識(shí)別框架介紹
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)
第八章 圖數(shù)據(jù)庫與構(gòu)建知識(shí)圖譜
知識(shí)表示與建模
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)與問答機(jī)器人構(gòu)建
1、知識(shí)存儲(chǔ)neo4j常用數(shù)據(jù)庫
2、Cyhper語言介紹
3、采用Py操作Neo4j數(shù)據(jù)庫
4、基于知識(shí)圖譜問答機(jī)器人構(gòu)建
京公網(wǎng)安備 11011502001314號(hào)