人工智能（AI）与机器学习基础 培训

应用机器学习导论

• 统计学习与机器学习。
• 迭代与评估。
• 偏差-方差权衡。
• 监督学习与无监督学习。
• 机器学习解决的问题。
• 训练、验证、测试——避免过拟合的机器学习流程。
• 机器学习的工作流程。
• 机器学习算法。
• 为问题选择适当的算法。

算法评估

• 评估数值预测。
  • 准确度度量：ME、MSE、RMSE、MAPE。
  • 参数与预测稳定性。
• 评估分类算法。
  • 准确度及其问题。
  • 混淆矩阵。
  • 类别不平衡问题。
• 可视化模型性能。
  • 收益曲线。
  • ROC曲线。
  • 提升曲线。
• 模型选择。
• 模型调优——网格搜索策略。

建模数据准备

• 数据导入与存储。
• 理解数据——基本探索。
• 使用pandas库进行数据操作。
• 数据转换——数据整理。
• 探索性分析。
• 缺失值——检测与解决方案。
• 异常值——检测与策略。
• 标准化、归一化、二值化。
• 定性数据重新编码。

用于异常检测的机器学习算法

• 监督算法。
  • KNN。
  • 集成梯度提升。
  • SVM。
• 无监督算法。
  • 基于距离的方法。
  • 基于密度的方法。
  • 基于概率的方法。
  • 基于模型的方法。

理解深度学习

• 深度学习基本概念概述。
• 区分机器学习与深度学习。
• 深度学习的应用概述。

神经网络概述

• 什么是神经网络。
• 神经网络与回归模型的对比。
• 理解数学基础与学习机制。
• 构建人工神经网络。
• 理解神经节点与连接。
• 处理神经元、层、输入与输出数据。
• 理解单层感知器。
• 监督学习与无监督学习的区别。
• 学习前馈与反馈神经网络。
• 理解前向传播与反向传播。

使用Keras构建简单的深度学习模型

• 创建Keras模型。
• 理解数据。
• 指定深度学习模型。
• 编译模型。
• 拟合模型。
• 处理分类数据。
• 处理分类模型。
• 使用模型。

使用TensorFlow进行深度学习

• 准备数据。
  • 下载数据。
  • 准备训练数据。
  • 准备测试数据。
  • 缩放输入。
  • 使用占位符与变量。
• 指定网络架构。
• 使用成本函数。
• 使用优化器。
• 使用初始化器。
• 拟合神经网络。
• 构建图。
  • 推理。
  • 损失。
  • 训练。
• 训练模型。
  • 图。
  • 会话。
  • 训练循环。
• 评估模型。
  • 构建评估图。
  • 使用评估输出进行评估。
• 大规模训练模型。
• 使用TensorBoard可视化和评估模型。

深度学习在异常检测中的应用

• 自编码器。
  • 编码器-解码器架构。
  • 重建损失。
• 变分自编码器。
  • 变分推断。
• 生成对抗网络。
  • 生成器-判别器架构。
  • 使用GAN进行异常检测的方法。

集成框架

• 结合不同方法的结果。
• 自助聚合。
• 平均异常得分。