課程簡(jiǎn)介
課程強(qiáng)調(diào)動(dòng)手操作；內(nèi)容以代碼落地為主，以理論講解為根，以公式推導(dǎo)為輔。講解機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的模型理論和代碼實(shí)踐，梳理機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、計(jì)算機(jī)視覺的技術(shù)框架，從根本上解決如何使用模型、優(yōu)化模型的問題；每次課中，首先闡述算法理論和少量公式推導(dǎo)，然后使用真實(shí)數(shù)據(jù)做數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的數(shù)據(jù)分析、特征選擇、調(diào)參和結(jié)果比較。
目標(biāo)收益
通過課程學(xué)習(xí)，可以理解機(jī)器學(xué)習(xí)的思維方式和關(guān)鍵技術(shù)；了解深度學(xué)習(xí)和機(jī)器學(xué)習(xí)在當(dāng)前工業(yè)界的落地應(yīng)用；能夠根據(jù)數(shù)據(jù)分布選擇合適的算法模型并書寫代碼，初步勝任使用Python進(jìn)行數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等工作。
培訓(xùn)對(duì)象
具備一定的Python和深度學(xué)習(xí)基礎(chǔ)，希望深入了解深度學(xué)習(xí)的目標(biāo)檢測(cè)、實(shí)體識(shí)別、關(guān)系抽取、GAN、時(shí)間序列分析、強(qiáng)化學(xué)習(xí)等實(shí)用化技術(shù)的光大工程技術(shù)人員。
課程大綱
| 第一節(jié)：Python機(jī)器學(xué)習(xí)與TensorFlow |
numpy/scipy/matplotlib/panda的介紹和典型使用 scikit-learn的介紹和典型使用 多元線性回歸 Logistics回歸與Softmax回歸 決策樹和隨機(jī)森林 SVM 多種聚類的原理和調(diào)參 TensorFlow典型應(yīng)用 典型圖像處理 多項(xiàng)式擬合 快速傅里葉變換FFT 奇異值分解SVD Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡(luò) |
| 代碼和案例實(shí)踐： |
股票交易數(shù)據(jù)的 (指數(shù))移動(dòng)平均線與預(yù)測(cè) 無人機(jī)圖像的風(fēng)機(jī)葉片缺陷檢測(cè)和識(shí)別系統(tǒng) 環(huán)保檢測(cè)數(shù)據(jù)異常檢測(cè)和分析 股票數(shù)據(jù)分析 社會(huì)學(xué)人群收入預(yù)測(cè) 葡萄酒數(shù)據(jù)集的決策樹/隨機(jī)森林分類 泰坦尼克乘客存活率估計(jì) |
| 第二節(jié)：卷積神經(jīng)網(wǎng)絡(luò)CNN |
神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，濾波器，卷積 池化，激活函數(shù)，反向傳播 目標(biāo)分類與識(shí)別、目標(biāo)檢測(cè)與追蹤 經(jīng)典AlexNet、VGG、GoogleLeNet Inception ResNet、DenseNet 視頻關(guān)鍵幀處理 物體檢測(cè)與定位 RCNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，MaskRCNN YOLO FaceNet |
| 代碼和案例實(shí)踐： |
搭建自己的卷積神經(jīng)網(wǎng)絡(luò) 基于CNN的圖像識(shí)別 卷積神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
| 代碼和案例實(shí)踐： |
遷移學(xué)習(xí)（Transfer Learning） 人臉檢測(cè) OCR字體定位和識(shí)別 睿客識(shí)云 氣象識(shí)別 |
| 第三節(jié)：循環(huán)神經(jīng)網(wǎng)絡(luò)RNN |
RNN基本原理 LSTM、GRU Attention 編碼器與解碼器結(jié)構(gòu) 言特征提?。簑ord2vec Seq2seq模型 |
| 代碼和案例實(shí)踐： |
看圖說話 視頻理解 藏頭詩(shī)生成 問答對(duì)話系統(tǒng) 循環(huán)神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
| 第四節(jié)：生成對(duì)抗網(wǎng)絡(luò)GAN與增強(qiáng)學(xué)習(xí)RL |
生成模型：貝葉斯、HMM到深度生成模型 GAN對(duì)抗生成神經(jīng)網(wǎng)絡(luò) DCGAN Conditional GAN InfoGan Wasserstein GAN 馬爾科夫決策過程 貝爾曼方程、最優(yōu)策略 策略迭代、值迭代 Q Learning SarsaLamda DQN A3C |
| 代碼和案例實(shí)踐： |
圖片生成 看圖說話 對(duì)抗生成神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 飛翔的小鳥游戲 基于增強(qiáng)學(xué)習(xí)的游戲?qū)W習(xí) DQN的實(shí)現(xiàn) |
|
第一節(jié)：Python機(jī)器學(xué)習(xí)與TensorFlow numpy/scipy/matplotlib/panda的介紹和典型使用 scikit-learn的介紹和典型使用 多元線性回歸 Logistics回歸與Softmax回歸 決策樹和隨機(jī)森林 SVM 多種聚類的原理和調(diào)參 TensorFlow典型應(yīng)用 典型圖像處理 多項(xiàng)式擬合 快速傅里葉變換FFT 奇異值分解SVD Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡(luò) |
|
代碼和案例實(shí)踐： 股票交易數(shù)據(jù)的 (指數(shù))移動(dòng)平均線與預(yù)測(cè) 無人機(jī)圖像的風(fēng)機(jī)葉片缺陷檢測(cè)和識(shí)別系統(tǒng) 環(huán)保檢測(cè)數(shù)據(jù)異常檢測(cè)和分析 股票數(shù)據(jù)分析 社會(huì)學(xué)人群收入預(yù)測(cè) 葡萄酒數(shù)據(jù)集的決策樹/隨機(jī)森林分類 泰坦尼克乘客存活率估計(jì) |
|
第二節(jié)：卷積神經(jīng)網(wǎng)絡(luò)CNN 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，濾波器，卷積 池化，激活函數(shù)，反向傳播 目標(biāo)分類與識(shí)別、目標(biāo)檢測(cè)與追蹤 經(jīng)典AlexNet、VGG、GoogleLeNet Inception ResNet、DenseNet 視頻關(guān)鍵幀處理 物體檢測(cè)與定位 RCNN，F(xiàn)ast-RCNN，F(xiàn)aster-RCNN，MaskRCNN YOLO FaceNet |
|
代碼和案例實(shí)踐： 搭建自己的卷積神經(jīng)網(wǎng)絡(luò) 基于CNN的圖像識(shí)別 卷積神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
|
代碼和案例實(shí)踐： 遷移學(xué)習(xí)（Transfer Learning） 人臉檢測(cè) OCR字體定位和識(shí)別 ?？妥R(shí)云 氣象識(shí)別 |
|
第三節(jié)：循環(huán)神經(jīng)網(wǎng)絡(luò)RNN RNN基本原理 LSTM、GRU Attention 編碼器與解碼器結(jié)構(gòu) 言特征提?。簑ord2vec Seq2seq模型 |
|
代碼和案例實(shí)踐： 看圖說話 視頻理解 藏頭詩(shī)生成 問答對(duì)話系統(tǒng) 循環(huán)神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 |
|
第四節(jié)：生成對(duì)抗網(wǎng)絡(luò)GAN與增強(qiáng)學(xué)習(xí)RL 生成模型：貝葉斯、HMM到深度生成模型 GAN對(duì)抗生成神經(jīng)網(wǎng)絡(luò) DCGAN Conditional GAN InfoGan Wasserstein GAN 馬爾科夫決策過程 貝爾曼方程、最優(yōu)策略 策略迭代、值迭代 Q Learning SarsaLamda DQN A3C |
|
代碼和案例實(shí)踐： 圖片生成 看圖說話 對(duì)抗生成神經(jīng)網(wǎng)絡(luò)調(diào)參經(jīng)驗(yàn)分享 飛翔的小鳥游戲 基于增強(qiáng)學(xué)習(xí)的游戲?qū)W習(xí) DQN的實(shí)現(xiàn) |
近期公開課推薦
