時(shí)間

培訓(xùn)項(xiàng)目

具體內(nèi)容

第

一

天

上

午

Python

Package

與數(shù)據(jù)分析

Numpy/Scipy/Pandas/Matplotlib/Seaborn庫(kù)

Numpy基礎(chǔ)屬性與數(shù)組創(chuàng)建

Numpy索引

Numpy數(shù)學(xué)運(yùn)算與常用分布

Pandas數(shù)據(jù)處理與分析

Pandas文件讀寫(xiě)和個(gè)性化控制

Pandas的concat與merge

Matplotlib 基本圖結(jié)構(gòu)介紹

基于Matplotlib繪制散點(diǎn)圖、柱狀圖、等高線、3D圖等

多圖合并與圖片文件存取

Seaborn/PyEcharts等包的使用

scikit-learn的介紹和典型使用

TensorFlow經(jīng)典應(yīng)用

多元高斯分布

典型圖像處理

多種數(shù)學(xué)曲線

多項(xiàng)式擬合

代碼

和案例實(shí)踐

快速傅里葉變換FFT與信號(hào)處理

Soble/Prewitt/Laplacian算子與卷積網(wǎng)絡(luò)

卷積與(指數(shù))移動(dòng)平均線

股票數(shù)據(jù)分析

缺失數(shù)據(jù)的處理和預(yù)測(cè)

環(huán)境數(shù)據(jù)異常檢測(cè)和分析

快速傅里葉變換FFT

圖像處理與奇異值分解SVD

第

一

天

下

午

：

實(shí)

踐

使用numpy、

PIL等包

實(shí)現(xiàn)圖像的卷積

使用Python常用包實(shí)現(xiàn)給定圖像的卷積輸出

比較不同卷積核的效果

將OpenCV和PIL讀取圖像的結(jié)果比較異同

使用

TensorFlow/Keras

實(shí)現(xiàn)貓狗分類(lèi)

了解TensorFlow的基本流程

學(xué)會(huì)使用Keras搭建卷積神經(jīng)網(wǎng)絡(luò)

比較padding、stride、卷積核大小對(duì)輸出圖像的影響

掌握?qǐng)D像分類(lèi)的方法和步驟

第

二

天

上

午

機(jī)器學(xué)習(xí)基礎(chǔ)

與多元回歸

線性回歸

Logistic/Softmax回歸

廣義線性回歸

L1/L2正則化

Ridge與LASSO

Elastic Net

梯度下降算法：BGD與SGD

特征選擇與過(guò)擬合

Softmax回歸的概念源頭

最大熵模型

K-L散度

代碼

和案例實(shí)踐

鳶尾花數(shù)據(jù)集的分類(lèi)

股票數(shù)據(jù)的特征提取和應(yīng)用

泰坦尼克號(hào)乘客缺失數(shù)據(jù)處理和存活率預(yù)測(cè)

環(huán)境檢測(cè)數(shù)據(jù)異常分析和預(yù)測(cè)

模糊數(shù)據(jù)查詢和數(shù)據(jù)校正方法

PCA與鳶尾花數(shù)據(jù)分類(lèi)

二手車(chē)數(shù)據(jù)特征選擇與算法模型比較

廣告投入與銷(xiāo)售額回歸分析

第

二

天

下

午

：

實(shí)

踐

實(shí)現(xiàn)葡萄酒

三分類(lèi)數(shù)據(jù)

的邏輯回歸建模

與應(yīng)用

使用Pandas讀寫(xiě)文件csv等表格文件

實(shí)現(xiàn)scikit-learn的建?？傔^(guò)程

掌握scikit-learn中的常用函數(shù)，并學(xué)會(huì)使用官網(wǎng)查閱幫助文檔

混淆函數(shù)的使用和正確率、準(zhǔn)確率、召回率、F1-Measure等的度量

基于人口特征

數(shù)據(jù)預(yù)測(cè)年收入

缺失值、異常值處理

One-Hot編碼的應(yīng)用場(chǎng)景分析

字符串特征的處理

樣本不均衡問(wèn)題的初步理解和使用

第

三

天

上

午

決策樹(shù)、

隨機(jī)森林、

SVM

熵、聯(lián)合熵、條件熵、KL散度、互信息

最大似然估計(jì)與最大熵模型

ID3、C4.5、CART詳解

決策樹(shù)的正則化

預(yù)剪枝和后剪枝

Bagging

不平衡數(shù)據(jù)集的處理

利用隨機(jī)森林做特征選擇

使用隨機(jī)森林計(jì)算樣本相似度

線性可分支持向量機(jī)

軟間隔

損失函數(shù)的理解

核函數(shù)的原理和選擇

SMO算法

支持向量回歸SVR

多分類(lèi)SVM

代碼

和案例實(shí)踐

隨機(jī)森林與特征選擇

決策樹(shù)應(yīng)用于回歸

多標(biāo)記的決策樹(shù)回歸

決策樹(shù)和隨機(jī)森林的可視化

葡萄酒數(shù)據(jù)集的決策樹(shù)/隨機(jī)森林分類(lèi)

泰坦尼克乘客存活率估計(jì)

葡萄酒數(shù)據(jù)分類(lèi)

數(shù)字圖像的手寫(xiě)體識(shí)別

MNIST手寫(xiě)體識(shí)別

SVR用于時(shí)間序列曲線預(yù)測(cè)

SVM、Logistic回歸、隨機(jī)森林三者的橫向比較

第

三

天

下

午

：

實(shí)

踐

路透社新聞

語(yǔ)聊的分類(lèi)

文本數(shù)據(jù)的特征抽取方法

中英文分類(lèi)模型的區(qū)別和聯(lián)系

分詞系統(tǒng)的使用和優(yōu)化

機(jī)器學(xué)習(xí)分類(lèi)模型的綜合運(yùn)用

圖像

像素聚類(lèi)

與調(diào)色板的應(yīng)用

矢量量化算法的實(shí)現(xiàn)

圖像通道的綜合運(yùn)用

自動(dòng)選擇聚類(lèi)個(gè)數(shù)與elbow-method

計(jì)算聚類(lèi)指標(biāo)并比較相互關(guān)系