什么是机器学习？
机器学习是专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
机器学习培训能解决工作中哪些问题?
-
分类问题
根据数据样本上抽取出的特征，
判定其属于有限个类别中的哪一个 -
回归问题
根据数据样本上抽取出的特征，
预测一个连续值的结果 -
聚类问题
根据数据样本上抽取出的特征，
让分散样本达到聚合目的
报名机器深度学习课程能学到什么？
- 回归算法理论与实战
- 决策树算法理论与实战
- 集成学习算法理论与实战
- KNN算法和决策树算法理论与实战
- 聚类算法理论与实战
- 神经网络算法
- Tensorflow
- 生成式对抗网络GANs
算法与机器学习常见应用场景
- 某影视公司希望对电影票房进行预测
- 某企业希望建立人脸／识别考勤系统
- 某出版社希望对图书销量进行预测
- 网约车企业希望对出行流量进行预测
- 金融行业希望对现有客户做贷款风险评估
- 医疗机构希望根据患者数据生成辅助诊断处置模型
- 某手机品牌希望进一步提升手写输入正确率
- 某婚恋网站希望对网站会员数据进行分类
算法与机器学习常见问题
- 如何选择特征
- 梯度下降的优缺点
- 为什么要用逻辑回归
- 如何处理数据缺失问题
- 如何处理维度灾难？
- 如何解决过拟合问题
- 如何处理样本非均衡问题
- 决策树算法是按什么来进行分类的？
- SVM中rbf核函数与高斯和函数的比较
- SVM为啥要引入拉格朗日的优化方法
- 关联分析中的极大频繁项集；FP增长算法
- 线性分类器与非线性分类器的区别及优劣
- 特征比数据量还大时，选择什么样的分类器
- 对于维度极低的特征，你是选择线性还是非线性分类器
- 对于维度很高的特征，你是选择线性还是非线性分类器
- L1和L2正则的区别，如何选择L1和L2正则
- 什么是降维，优缺点是什么，有哪些降维方法？
- 余弦相似度（Cos距离）与欧氏距离的区别和联系
为什么选择中培
-
14年IT培训经验
产品打磨更细致 -
全国42城市开班授课
线下培训更方便 -
累计开设直播
录播课程50余门
线上教学经验丰富 -
累计为18家世界500强企业
提供IT培训服务
掌握主流IT技术方向 -
精品小班课程
老师讲解更细致
针对性辅导更多 -
课程设计能切实解决
学员工作中遇到问题
实用性强 -
演练实际运维
场景为切入点
代入感强 -
筛选主流及
热门问题进行讲解
时效性强 -
引导式教学
启发学员自主解决问题
操作性强
机器算法深度学习与实战课程大纲
 |
|
| 上午机器学习简介 | |
| 1.一元线性回归 | 2.代价函数 |
| 3.使用梯度下降法实现一元线性回归 | 4.标准方程法 |
| 5.使用sklearn实现一元线性回归 | 6.使用sklearn实现多元线性回归 |
| 7.使用sklearn实现岭回归 | 8.使用sklearn实现LASSO回归 |
| 下午决策树与集成学习理论与实战 | |
| 1.sklearn实现决策树 | 2.决策树-CART算法 |
| 3.决策树应用 | 4.随机森林 |
| KNN与聚类理论与实战 | |
| 5.sklearn实现knn算法完成iris数据集分类 | 6.k-means算法 |
| 7.DBSCAN算法 | |
 |
|
| 上午神经网络算法 | |
| 1.神经网络基本原理 | 2.单层感知机 |
| 3.线性神经网络 | 4.激活函数，损失函数和梯度下降法 |
| 5.线性神经网络异或问题 | 6.BP神经网络介绍 |
| 7.BP算法推导 | 8.BP神经网络解决异或问题 |
| 9.BP算法完成手写数字识别 | 10.sklearn-BP神经网络解决手写数字识别 |
| 11.GOOGLE神经网络平台 | |
| 下午Tensorflow2.0 | |
| 1.深度学习框架介绍 | 2.Tensorflow安装 |
| 3.Tensorlfow基础知识 | 4.Tensorflow线性回归 |
| 5.Tensorflow非线性回归 | 6.Mnist数据集合Softmax讲解 |
| 7.使用BP神经网络搭建手写数字识别 | 8.交叉熵(cross-entropy)讲解和使用 |
| 9.过拟合,正则化,Dropout | 10.各种优化器Optimizer |
| 11.改进手写数字识别网络 | 12.卷积神经网络CNN的介绍 |
| 13.使用CNN解决手写数字识别 | 14.长短时记忆网络LSTM介绍 |
| 15.LSTM的使用 | 16.模型保存与载入 |
 |
|
| 上午图像识别项目 | |
| 1.介绍Google图像识别模型Inception-v3 | 2.使用Inception-v3做图像识别 |
| 3.训练自己的图像识别模型 | |
| 验证码识别项目 | |
| 4.多任务学习介绍 | 5.生存验证码图片 |
| 6.构建验证码识别模型 | |
| 下午Kease 最佳实践 | |
| 1.安装和配置Keras,API | 2.回调函数与自定义训练过程 |
| 3.深度神经网络DCNN实现 | 4.采用深度学习算法识别CIFRA-10图片 |
| 5.调节参数来改善性能 | |
中培教育 Copyright © 2006-2021.All Rights Reserved 京ICP备13024721号
京公网安备11010602007294号 增值电信业务经营许可证：京B2-20201348
京公网安备11010602007294号 增值电信业务经营许可证：京B2-20201348