课程大纲

监督学习:分类和回归

  • 偏差-方差权衡
  • 逻辑回归作为分类器
  • 测量分类器性能
  • 支持向量机
  • 神经网络
  • 随机森林

无监督学习:聚类、异常识别

  • 主成分分析
  • 自动编码器

高级神经网络架构

  • 用于图像分析的卷积神经网络
  • 用于时间结构化数据的递归神经网络
  • 长短期记忆细胞

人工智能可以解决的问题的实际例子,例如

  • 图像分析
  • 预测复杂的财务序列,例如股票价格,
  • 复杂模式识别
  • 自然语言处理
  • 推荐系统

用于人工智能应用的软件平台:

  • TensorFlow、Theano、Caffe 和 Keras
  • 使用 Apache Spark 实现大规模 AI:Mlib

了解 AI 方法的局限性:失败模式、成本和常见困难

  • 过拟合
  • 观测数据的偏差
  • 缺少数据
  • 神经网络中毒

要求

参加本课程不需要任何特定要求。

  28 小时
 

人数


开始

完结


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

相关课程

课程分类