课程大纲

监督学习:分类和回归

    Python 中的机器学习:scikit-learn API 简介 线性回归和逻辑回归 支持向量机 神经网络 随机森林
使用 scikit-learn 设置端到端监督式学习管道 使用数据文件
  • 缺失值的插补
  • 处理分类变量
  • 可视化数据
  • Python 人工智能应用框架:
  • TensorFlow、Theano、Caffe 和 Keras 使用 Apache Spark 实现大规模 AI:Mlib

      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

      无监督学习:聚类、异常检测

    使用 scikit-learn 实现主成分分析 在 Keras 中实现自动编码器

      AI 可以解决的问题的实际示例(使用 Jupyter 笔记本的动手练习),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

      了解 AI 方法的局限性:失败模式、成本和常见困难

    过拟合 偏差/方差权衡 观测数据的偏差 神经网络中毒

      应用项目工作(可选)

    要求

    参加本课程不需要任何特定要求。

     28 小时

    人数


    每位参与者的报价

    客户评论 (2)

    课程分类