课程大纲

Python中的AI概述

  • AI的关键概念和范围
  • Python的AI开发库
  • AI项目结构和流程

AI数据准备

  • 数据清洗、转换和特征工程
  • 处理缺失和不平衡数据
  • 特征缩放和编码

Supervised Learning技术

  • 回归和分类算法
  • 集成方法:Random Forest、Gradient Boosting
  • 超参数调优和交叉验证

Unsupervised Learning技术

  • 聚类方法:K-Means、DBSCAN、层次聚类
  • 降维:PCA、t-SNE
  • 无监督学习的应用场景

Neural Networks和Deep Learning

  • TensorFlow和Keras简介
  • 构建和训练前馈神经网络
  • 优化神经网络性能

Reinforcement Learning(简介)

  • 代理、环境和奖励的核心概念
  • 实现基本的强化学习算法
  • 强化学习的应用

部署AI模型

  • 保存和加载训练好的模型
  • 通过API将模型集成到应用中
  • 在生产环境中监控和维护AI系统

总结与下一步

要求

  • 扎实掌握Python编程基础知识
  • 具备使用NumPy和pandas等数据分析库的经验
  • 对机器学习概念和算法有基本了解

受众

  • 希望扩展AI开发技能的软件开发人员
  • 寻求将AI技术应用于复杂数据集的数据分析师
  • 构建AI驱动应用的研发专业人员
 35 小时

客户评论 (3)

即将举行的公开课程

课程分类