人工智能 --機器學(xué)習(xí)與深度學(xué)習(xí)強化特訓(xùn)營

時間

內(nèi)容

案例實踐與練習(xí)

Day1初識機器學(xué)習(xí)

上午

概述入門

數(shù)據(jù)預(yù)處理

概述（第 一天——1）

1、 概念與術(shù)語（人工智能、數(shù)據(jù)挖掘、機器學(xué)習(xí)）

2、 數(shù)據(jù)挖掘的對象

3、 數(shù)據(jù)挖掘的關(guān)鍵技術(shù)

4、 知識的表達(dá)

5、 Python的安裝

數(shù)據(jù)預(yù)處理（第 一天——2）

1、 數(shù)據(jù)清理

2、 規(guī)范化

3、 模糊集

4、 粗糙集

5、 無標(biāo)簽時：PCA

6、 有標(biāo)簽時：Fisher線性判別

數(shù)據(jù)壓縮（DFT、小波變換）

案例實踐：

1、 python安裝

2、 Tensorflow安裝

3、 PCA的實驗

4、 DFT的實驗

Day1初識機器學(xué)習(xí)

下午

回歸與時序分析

決策樹

回歸與時序分析 （第 一天——3）

1、 線性回歸

2、 非線性回歸

3、 logistics回歸

4、 平穩(wěn)性、截尾與拖尾

5、 ARIMA

決策樹（第 一天——4）

1、 分類和預(yù)測

2、 熵減過程與貪心法

3、 ID3

4、 C4.5

5、 其他改進(jìn)方法

決策樹剪枝

案例實踐：

1、 回歸的實驗

2、 ARIMA預(yù)測實驗

3、 決策樹的實驗

Day2機器學(xué)習(xí)中的典型算法

上午

聚類

關(guān)聯(lián)規(guī)則

樸素貝葉斯與KNN

聚類（第二天——1）

1、 監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)

2、 K-means與k-medoids

3、 層次的方法

4、 基于密度的方法

5、 基于網(wǎng)格的方法

6、 孤立點分析

關(guān)聯(lián)規(guī)則（第二天——2）

1、 頻繁項集

2、 支持度與置信度

3、 提升度

4、 Apriori性質(zhì)

5、 連接與剪枝

樸素貝葉斯與KNN（第二天——3）

1、 KNN

2、 概率論基礎(chǔ)：條件概率、聯(lián)合概率、分布、共軛先驗。

3、 “概率派”與“貝葉斯派”

4、 樸素貝葉斯模型

案例實踐：

1、 鳶尾花數(shù)據(jù)的聚類

2、 超市購物籃——關(guān)聯(lián)規(guī)則分析

3、 樸素貝葉斯案例：皮馬印第安人患糖尿病的風(fēng)險

Day2機器學(xué)習(xí)中的典型算法

下午

極大似然估計與EM算法

性能評價指標(biāo)

極大似然估計與EM算法（第二天——4）

1、 極大似然估計

2、 對數(shù)似然函數(shù)

3、 EM算法

性能評價指標(biāo)（第二天——5）

1、 準(zhǔn)確率；精確率、召回率；F1

2、 真陽性率、假陽性率

3、 混淆矩陣

4、 ROC與AUC

5、 對數(shù)損失

6、 Kappa系數(shù)

7、 回歸：平均絕 對誤差、平均平方誤差

8、 聚類：蘭德指數(shù)、互信息

9、 k折驗證

案例實踐：

1、 正態(tài)分析的參數(shù)估計

2、 EM算法應(yīng)用案例：雙正態(tài)分布的參數(shù)估計

3、 繪制ROC并計算AUC、F1

4、 繪制擬合曲線，計算擬合優(yōu)度

Day3神經(jīng)網(wǎng)絡(luò)專題

上午

BP神經(jīng)網(wǎng)絡(luò)

模擬退火算法與其他神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò) （第三天——1）

1、 人工神經(jīng)元及感知機模型

2、 前向神經(jīng)網(wǎng)絡(luò)

3、 sigmoid

4、 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

5、 誤差反向傳播

模擬退火算法與其他神經(jīng)網(wǎng)絡(luò) （第三天——2）

1、 模擬退火算法

2、 Hopfield網(wǎng)絡(luò)

3、 自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM）

4、 受限布爾茲曼機 

案例實踐：

1、 可以手算的神經(jīng)網(wǎng)絡(luò)

2、 神經(jīng)網(wǎng)絡(luò)模擬一個圓錐曲面

3、 “貨郎擔(dān)”問題（模擬退火算法）

4、 識別破損的字母（Hopfield網(wǎng)絡(luò)）

5、 聚類的另一種解法（SOM）

Day3神經(jīng)網(wǎng)絡(luò)專題

下午

機器學(xué)習(xí)中的優(yōu)化方法

遺傳算法

機器學(xué)習(xí)中的優(yōu)化方法（第三天——3）

1、 參數(shù)學(xué)習(xí)方法

2、 損失函數(shù)（或目標(biāo)函數(shù)）

3、 梯度下降

4、 隨機梯度下降

5、 牛頓法

6、 擬牛頓法

遺傳算法 （第三天——4）

1、 種群、適應(yīng)性度量

2、 交叉、選擇、變異

3、 基本算法

案例實踐：

1、 隨機梯度下降的例子

2、 牛頓法求Rosenbrock(香蕉函數(shù))的極值

3、 “同宿舍”問題：遺傳算法

Day4機器學(xué)習(xí)進(jìn)階

上午

支持向量機

隱馬爾科夫模型

支持向量機 （第四天——1）

1、 統(tǒng)計學(xué)習(xí)問題

2、 支持向量機

3、 核函數(shù)

4、 多分類的支持向量機

5、 用于連續(xù)值預(yù)測的支持向量機

隱馬爾科夫模型（第四天——2）

1、 馬爾科夫過程

2、 隱馬爾科夫模型

3、 三個基本問題（評估、解碼、學(xué)習(xí)）

4、 前向-后向算法

5、 Viterbi算法

6、 Baum-Welch算法

案例實踐：

1、 SVM：iris的三個分類

2、 HMM示例：天氣與地表積水、罐中的彩球

3、 HMM之前向算法：擲骰子的序列

4、 HMM之viterbi算法：是否生病了？

Day4機器學(xué)習(xí)進(jìn)階

下午

文本挖掘

從LSA到LDA

文本挖掘（第四天——3）

1、文本分析功能

2、文本特征的提取

4、TF-IDF

5、文本分類

5、文本聚類

從LSA到LDA（第四天——3）

1、 LSA

2、 pLSA

3、 LDA

案例實踐：

1、 英文文本分析；

2、 中文文本分析：《絕代雙驕》

3、 中文語句情感分析

4、 LSA和LDA的比較

Day5機器學(xué)習(xí)進(jìn)階與深度學(xué)習(xí)初步

上午

利用無標(biāo)簽的樣本

集成學(xué)習(xí)

利用無標(biāo)簽的樣本（第五天——1）

1、 半監(jiān)督學(xué)習(xí)

2、 直推式學(xué)習(xí)

3、 主動學(xué)習(xí)

集成學(xué)習(xí)（第五天——2）

1、 bagging

2、 co-training

3、 adaboost

4、 隨機森林

5、 GBDT

案例實踐：

1、 半監(jiān)督學(xué)習(xí)：SVM標(biāo)簽擴展；

2、 主動學(xué)習(xí)：手寫數(shù)字

3、bagging、adaboost、RF、GBDT的例子

Day5機器學(xué)習(xí)進(jìn)階與深度學(xué)習(xí)初步

下午

強化學(xué)習(xí)

深度學(xué)習(xí)-1

強化學(xué)習(xí)（第五天——3）

1、 agent的屬性

2、 exploration and exploitation

3、 Bellman期望方程

4、 優(yōu)策略

5、 策略迭代與價值迭代

6、 Q學(xué)習(xí)算法

深度學(xué)習(xí)-1（第五天——4）

1、 連接主義的興衰

2、 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的區(qū)別與聯(lián)系

3、 目標(biāo)函數(shù)

4、 激勵函數(shù)

學(xué)習(xí)步長

案例實踐：

1、 強化學(xué)習(xí)示例：走迷宮

2、 強化學(xué)習(xí)：谷底的小車

3、 深度學(xué)習(xí)示例：模式識別

Day6深度學(xué)習(xí)

上午

深度學(xué)習(xí)-2

深度學(xué)習(xí)-3

深度學(xué)習(xí)-2（第六天——1）

1、 優(yōu)化算法

2、 Adagrad

3、 RMSprop

4、 Adam

5、 避免過適應(yīng)

深度學(xué)習(xí)-3（第六天——2）

1、 典型應(yīng)用場景

2、 CNN

3、 各種CNN

4、 RNN

LSTM、GRU

案例實踐：

1、 CNN的準(zhǔn)備示例

2、 CNN處理MNIST手寫數(shù)字?jǐn)?shù)據(jù)集

3、 RNN準(zhǔn)備示例

4、 RNN分析股票趨勢

5、 LSTM的準(zhǔn)備示例

Day6深度學(xué)習(xí)

下午

深度學(xué)習(xí)-4

1、 GAN

2、 DQN

案例實踐：

1、 DQN結(jié)合CNN：“flappy bird”