关于“人工智能与机器学习”python-深度学习

第

一

节

Python与TensorFlow  

1．机器学习与数据挖掘的基本概念、联系及区别

2．机器学习和大数据、人工智能及其他学科领域的关系

3．机器学习和深度学习的关系

4．机器学习方法的分类及本课程内容

（1）有监督学习：分类、回归

（2）无监督学习：聚类

（3）强化学习

（4）半监督学习

5．机器学习应用的一般流程

（1）对象的表示

（2）训练/学习

（3）测试/应用

6．机器学习的典型应用案例

（1）机器学习在自然语言理解领域的应用(机器翻译、智能问答)

（2）机器学习在多媒体处理领域的应用

(人脸识别、视频分析)

（3）机器学习在语音处理领域的应用(语

音识别、语音合成)

（4）机器学习在网络安全领域的应用(入

侵检测、恶意软件识别)

（5）机器学习在互联网上的应用(搜索引

擎、计算广告、推荐系统)

代码和案例实践：

1.卷积与(指数)移动平均线

2.股票数据分析

3.缺失数据的处理

4.环境数据异常检测和分析

第

二

节

回归分析

1．线性回归

（1）回归的基本概念

（2）线性回归

（3）对率(Logistic)回归

（4）岭(Ridge)回归

（5）Lasso 回归

（6）Elastic Net

2．Logistic/Softmax回归

（1）广义线性回归

（2）L1/L2正则化

（3）Ridge与LASSO

（4）Elastic Net

（5）梯度下降算法：BGD与SGD

（6）特征选择与过拟合

（7）Softmax回归的概念源头

（8）最大熵模型

代码和案例实践：

1.股票数据的特征提取和应用

2.泰坦尼克号乘客缺失数据处理和存活率预测

3.环境检测数据异常分析和预测

4.模糊数据查询和数据校正方法

5.PCA与鸢尾花数据分类

6.二手车数据特征选择与算法模型比较

7.广告投入与销售额回归分析

8.鸢尾花数据集的分类

9.TensorFlow实现线性回归

10.TensorFlow实现Logistic回归

第

三

节

决策树和随机森林

1.熵、联合熵、条件熵、KL散度、互信息（1）最大似然估计与最大熵模型

（2）ID3、C4.5、CART详解

（3）决策树的正则化

（4）预剪枝和后剪枝

（5）Bagging

（6）随机森林

（7）不平衡数据集的处理

（8）利用随机森林做特征选择

（9）使用随机森林计算样本相似度

（10）异常值检测

代码和案例实践：

1.随机森林与特征选择

2.决策树应用于回归

3.多标记的决策树回归

4.决策树和随机森林的可视化

5.葡萄酒数据集的决策树/随机森林分类

6.泰坦尼克乘客存活率估计

第

四

节

SVM

1.线性可分支持向量机

（1）软间隔

（2）损失函数的理解

（3）核函数的原理和选择

（4）SMO算法

（5）支持向量回归SVR

（6）多分类SVM

代码和案例实践：

1.原始数据和特征提取

2.调用开源库函数完成SVM

3.葡萄酒数据分类

4.数字图像的手写体识别

5.MNIST手写体识别

6.SVR用于时间序列曲线预测

7.SVM、Logistic回归、随机森林三者的横向比较

第

五

节

聚类算法

1.无监督学习之聚类算法

（1）聚类的基本概念

（2）聚类的评价

（3）扁平聚类及 k-Means、k-Means++算法

（4）层次聚类及 HAC 算法

（5）其他聚类算法(DBSCAN/SOM/谱聚类)

代码和案例实践：

 1.鸢尾花聚类分析

 2.社交网络人群分析

 3.银行客户分组与画像

第

六

节

卷积神经网络CNN

1.神经网络结构，滤波器，卷积

2.池化，激活函数，反向传播

3.目标分类与识别、目标检测与追踪

4.AlexNet、VGGNet、GoogleLeNet

5.Inception-V3/V4

6.ResNet、DenseNet

代码和案例实践：

1．数字图片分类

2．卷积核与特征提取

3．以图搜图

4．人证合一

5．卷积神经网络调参经验分享

第

七

节

图像视频的定位与识别

1.视频关键帧处理

2.物体检测与定位

3.RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN

4.YOLO

5.FaceNet

代码和案例实践：

1．迁移学习

2．人脸检测

3．OCR字体定位和识别

4．睿客识云

5．气象识别

第

八

节

循环神经网络RNN

1.RNN基本原理

2.LSTM、GRU

3.Attention

4.CNN+LSTM模型

5.Bi-LSTM双向循环神经网络结构

6.编码器与解码器结构

7.特征提取：word2vec

8.Seq2seq模型

代码和案例实践：

1．看图说话

2．视频理解

3．藏头诗生成

4．问答对话系统

5．OCR

6．循环神经网络调参经验分享

第

九

节

自然语言处理

1.语言模型Bi-Gram/Tri-Gram/N-Gram  7.文本分类

2.分词              8.机器翻译

3.词性标注          9.文本摘要

4.依存句法分析      10.阅读理解

5.语义关系抽取      11.问答系统情感分析

6.词向量            12.情感分析

代码和案例实践：

1．输入法设计

2．HMM分词

3．文本摘要的生成

4．智能对话系统SeqSeq模型

5．阅读理解的实现与Attention