联系我们

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建立端到端监督学习流程
    • 处理数据文件
    • 缺失值填补
    • 处理分类变量
    • 数据可视化

用于AI应用的Python框架:

  • TensorFlow、Theano、Caffe和Keras
  • 使用Apache Spark进行大规模AI:MLlib

先进的神经网络架构

  • 用于图像分析的卷积神经网络
  • 用于时间序列数据的循环神经网络
  • 长短期记忆单元

无监督学习:聚类、异常检测

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

AI可解决实际问题的示例(使用Jupyter notebooks进行动手练习),例如:

  • 图像分析
  • 预测复杂金融序列,如股票价格
  • 复杂模式识别
  • 自然语言处理
  • 推荐系统

理解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
  • 观测数据中的偏差
  • 神经网络中毒

应用项目工作(可选)

要求

参加本课程无需任何特定要求。

 28 小时

客户评论 (2)

即将举行的公开课程

课程分类