深圳人工智能直通車培訓課程

【課程內(nèi)容】構(gòu)建Python環(huán)境、基本語法、數(shù)據(jù)預處理、可視化、完整實例與練習.

【課程目標】Python環(huán)境搭建與其基礎語法的學習，熟悉列表元組等基礎概念與python函數(shù)的形式，Python的IO操作，Python中類的使用介紹，python使用實例講解機器學習領(lǐng)域的經(jīng)典算法、模型及實現(xiàn)的任務等，同時學習搭建和配置機器學習環(huán)境，并學會用線性回歸解決一個實際問題。

【課程內(nèi)容】函數(shù)與導數(shù)、線性代數(shù)與矩陣、概率分析、程序與概念（算法推導與實現(xiàn)）、程序?qū)嵺`、課后實踐。

【課程目標】熟悉數(shù)學中的符號表示，理解函數(shù)求導以及鏈式求導法則，理解數(shù)學中函數(shù)的概念，熟悉矩陣相關(guān)概念以及數(shù)學表示。將數(shù)學概念與程序基礎聯(lián)系起來；梯度下降實例講解；

【課程內(nèi)容】人工智能概念、獲取數(shù)據(jù)與特征工程、模型訓練。

【課程目標】解釋人工智能中涉及到的相關(guān)概念。了解如何獲取數(shù)據(jù)以及特征工程。熟悉數(shù)據(jù)預處理方法。理解模型訓練過程。熟悉pandas的使用。了解可視化過程；Panda使用講解；圖形繪制；

【課程內(nèi)容】人工智能技術(shù)和應用場景的介紹。常見人工智能的算法，主流的應用構(gòu)建 方法。主流機器學習框架介紹，針對機器學習場景能夠更好的應用相關(guān)工具進行分析與處理。

【實戰(zhàn)部分】鳶尾花分類實戰(zhàn)、分類預測實戰(zhàn)、回歸預測實戰(zhàn)。

【課程目標】 人工智能技術(shù)和應用場景的全面了解，形成系統(tǒng)化的人工智能技術(shù)棧。主流機器學習框架介紹,針對機器學習場景能夠更好的應用相關(guān)工具進行分析與處理；通過實例對人工智能分析方法和流程有直觀了解，為后續(xù)課程打下基礎。

【課程內(nèi)容】將復雜的數(shù)學理論進行梳理，將機器學習中用到的數(shù)學基礎由淺入深進行詳細的梳理與講解。主要涉及矩陣、導數(shù)、概率相關(guān)內(nèi)容。

【實戰(zhàn)部分】手寫識別實戰(zhàn)、文本降維實戰(zhàn)。

【課程目標】 掌握和了解人工智能技術(shù)底層數(shù)學理論支撐；概率論，矩陣和凸優(yōu)化的介紹，相應算法設計和原理；凸優(yōu)化理論，流優(yōu)化手段 SGD，牛頓法等優(yōu)化方法。

【課程內(nèi)容】主流python數(shù)據(jù)預處理庫、原始數(shù)據(jù)特征構(gòu)建。特征選擇、構(gòu)建新特征，缺失值填充等特征工程方法。

【實戰(zhàn)部分】Scikit-learn特征工程，網(wǎng)格搜索， 超參數(shù)調(diào)優(yōu)，泰坦尼克求生預測

【課程目標】了解和掌握主流python數(shù)據(jù)預處理庫，通過工具能夠?qū)υ紨?shù)據(jù)進行特征構(gòu)建。

【課程內(nèi)容】作為深度學習主流分析框架 Tensorflow，通過掌握 Tensorflow 基本概念，計算模型和原理，能夠通過 Tensorflow 進行深度學習和模型構(gòu)建與訓練。學習掌握訓練過程優(yōu)化方法與問題優(yōu)化。

【實戰(zhàn)部分】圖片分類實戰(zhàn)、欺詐預測

【課程目標】了解及學習變量作用域與變量命名。搭建多層神經(jīng)網(wǎng)絡并完成優(yōu)化。）正則化優(yōu)化神經(jīng)網(wǎng)絡。梯度問題與解決方法。

【課程內(nèi)容】決策樹算法的原理，度量指標和算法變種。掌握和了解 GBDT，AdaBoost，隨機森林等集成學習模型的原理和集成學習算法。

【實戰(zhàn)部分】鳶尾花分類實戰(zhàn)、金融反欺詐預測

【課程目標】了解和掌握決策樹算法的原理，度量指標和算法變種。 掌握和了解隨機森林和，GBDT等集成學習模型的原理和集成學習算法。應用XGboost，通過GBDT算法完成預測實例，加深對算法和實戰(zhàn)的融合。

【課程內(nèi)容】了解和掌握 KNN 、SVM及樸素貝葉斯算法原理，熟悉集成學習(Bagging、Boosing)對于分類算法的優(yōu)化過程，掌握數(shù)據(jù)降維方法應用。

【實戰(zhàn)部分】手寫圖形數(shù)據(jù)降維與分類、文本向量化實戰(zhàn)、文本分類實戰(zhàn)

【課程目標】 掌握常用分類算法：KNN、SVM、NaiveBayes、Bagging、Boosting。熟悉分類算法調(diào)參關(guān)鍵參數(shù)。掌握不同分類算法的過擬合、欠擬合情景與調(diào)優(yōu)。掌握集成學習調(diào)優(yōu)。通過實例對于調(diào)參過程進行深入理解.了解不同算法的共性與個性。

【課程內(nèi)容】主流回歸模型，線性回歸，邏輯回歸 LR 及其變種和擴展算法。 梯度下降，牛頓法, 擬牛頓法 LBFGS 等優(yōu)化方法，邏輯回歸優(yōu)化問題的求解。

【實戰(zhàn)部分】波士頓房價預測、股票預測回歸實戰(zhàn)

【課程目標】掌握和學習主流回歸模型，線性回歸，邏輯回歸及其變種和擴展算法。了解和掌握通過梯度下降，牛頓法, 擬牛頓法等優(yōu)化方法進行邏輯回歸 優(yōu)化問題的求解。通過實例掌握如何應用邏輯回歸等回歸算法。

【課程內(nèi)容】無監(jiān)督學習模型，了解主流的聚類算法。 了解不同相似度計算算法。深入了解不同的數(shù)據(jù)降維方法。掌握文本降維方法(LDA)

【實戰(zhàn)部分】新聞分類實戰(zhàn)、文本降維實戰(zhàn)

【課程目標】掌握Kmeans以及其衍生算法，掌握modelbased聚類方法，掌握無監(jiān)督降維方法：PCA、ICA、字典學習，掌握監(jiān)督降維方法LDA，掌握文本降維方法LDA，深入理解聚類算法與分類算法的區(qū)別，理解聚類算法的優(yōu)缺點。

【課程內(nèi)容】以大數(shù)據(jù)主流分析框架為例， Spark 內(nèi)核架構(gòu)，計算模型和原理，了解分布式機器學習原理，能夠處理和解決大規(guī)模數(shù)據(jù)分析預處理和模型訓練。

【實戰(zhàn)部分】電影推薦案例

【課程目標】大數(shù)據(jù)機器學習主流分析框架，內(nèi)核架構(gòu)，計算模型和原理。了解和掌握Spark框架上的機器學習庫MLlib的算法原理，核心數(shù)據(jù)抽象，以及應用MLlib。通過實戰(zhàn)電影推薦演練，同時學習推薦系統(tǒng)算法和原理。

【課程內(nèi)容】深度學習主要概念，激活函數(shù)，超參數(shù)等，BP神經(jīng)網(wǎng)絡基礎，卷積，Pooling，Dropout等方法和原理，深度學習應用場景，經(jīng)典深度學習網(wǎng)絡結(jié)構(gòu)等。

【實戰(zhàn)部分】MINIST手寫識別案例電影評論文本分類案例、評論文本情感分析案例

【課程目標】了解深度學習主要概念，激活函數(shù)等，以及BP神經(jīng)網(wǎng)絡基礎，學習卷積，Pooling，Dropout等方法和原理，了解和掌握深度學習和經(jīng)典深度學習網(wǎng)絡結(jié)構(gòu)等。

【課程內(nèi)容】理解RNN網(wǎng)絡的數(shù)據(jù)流，了解BPTT算法，理解用于RNN網(wǎng)絡的文本向量化方法，理解文本ensemble過程，理解Attention機制，構(gòu)建用于文本分類的神經(jīng)網(wǎng)絡，熟悉RNN基礎上的復雜網(wǎng)絡結(jié)構(gòu)Seq2seq。

【實戰(zhàn)部分】新聞分類實戰(zhàn)(與傳統(tǒng)分類算法做對比)、文本生成實戰(zhàn)

【課程目標】1）利用TensorFlow構(gòu)建RNN網(wǎng)絡，熟悉文本向量化過程，完成RNN網(wǎng)絡的訓練過程，理解文本生成過程，理解RNN與前饋神經(jīng)網(wǎng)絡的區(qū)別與聯(lián)系。

公司人工智能崗位核心技能需求。了解所需知識和技能，以及主流的機器學習工具和框架的使用方法。 講解機器學習崗位面試的常見筆試題。會涵蓋主流的互聯(lián)網(wǎng)公司的面試題 目，深入淺出，結(jié)合實際場景分析。 講解常見機器學習面試問題，開放式問題和系統(tǒng)設計問題，融匯貫通整個課程知識點。