机器学习及深度学习理论及实操培训

基于机器学习的大数据挖掘创新应用案例培训

一、课程目标：

本次课程以理论与实际相结合为基准，突出实际性演练，以达到如下二、培训目标：

（1）了解机器学习、深度学习的基本概念，基本流程、常用算法和适用的场景。

（2）能根据实际问题熟练地构建人工智能项目建模流程，熟悉掌握数据建模过程、处理节点的操作。

（3）掌握具体的机器学习及深度学习技术以及案例，能根据业务场景独立实战。

三、培训对象：

（1）从事企业机器学习及深度学习相关工作的决策分析、产品及业务流程设计、场景开发及维护的相关业务及技术人员；

（2）需要进行机器学习及深度学习研究的高校、科研院所的科技工作者；

（3）打算从事机器学习与深度学习研究的在校生、在职人员。

四、课程大纲：

时间安排：1-6章需要2-3天；7-10章需要2-3天

一、机器学习相关概念

1、人工智能与大数据相关概念

1）人工智能定义

2）大数据是什么

3）大数据与人工智能的区别与联系

2、数据挖掘与机器学习、深度学习的关系

1）什么是数据挖掘、机器学习与深度学习

2）三者之间的关系是什么

3）机器学习与传统数据挖掘的差异

二、机器学习分类及实例

1）基于学习方式及实例（监督学习、非监督学习、半监督学习、强化学习）

2）基于算法类似性及实例

3）基于实例的算法及实例

4）基于正则化方法及实例

5）基于神经网络算法及实例

三、机器学习十大主流算法及实例

基于实际脱敏数据，讲解主流算法，涵盖线性回归，逻辑回归，SVM，KNN，贝叶斯、关联规则、KMeans、混合高斯分布、DBSCAN、PCA、LDA等。

四、机器学习近年来创新且使用算法及实例

基于实际脱敏数据，讲解当前国际大赛或国际期刊上出现的主流算法UMAP、TNSE、LIGHTGBM、CATBOOST等

五、机器学习案例及学员现场实操指导

现场通过网络故障预警、用户流失预警、用户群特征识别等三个实际案例，讲解python如numpy，pandas，sklearn、keras、seaborn、matplotlib等常用库操作过程。

六、大数据与机器学习在企业生产中的技术实现方案

1、技术框架（含大数据平台、AI平台、营销系统、运维系统等）

2、数据流向

3、接口方案

4、部署方案

七、深度学习相关概念

1、深度学习是什么及演变历程

1) 深度学习的由来及本质

2）深度学习演变历程及每个阶段的代表性算法实例

2、深度学习与机器学习的关系

1） 基于理论角度理解深度学习与机器学习的关系（主要指子集关系）

2）基于实操角度理解深度学习与机器学习的关系（基于实际业务场景如图像处理场景、离网预警场景理解算法独立性及相辅性）

八、基于实例及对比机器学习的深度学习关键实操步骤分解

1、深度学习如何准备训练、校验及测试数据集及与机器学习处理差异（附实例讲解）

2、深度学习如何实现数据预处理及与机器学习处理差异（附实例讲解）

3、深度学习如何做特征工程及与机器学习处理差异（附实例讲解）

4、深度学习如何定义及构建模型及与机器学习处理差异（附实例讲解）

5、深度学习如何评价模型效果及与机器学习处理差异（附实例讲解，含损失定义）

九、深度学习主要框架讲解

1、深度学习主流框架（tensorflow、keras等）及实例讲解

2、深度学习主流网络层及场景实例讲解（含卷积层、BN层、池化层、核心层等）

3、深度学习主流算法及场景实例讲解（含CNN\RNN等）

4、深度学习主流开源网络及场景（含谷歌、微软等开源模型）

十、深度学习主流应用场景及现场学员实操指导

现场通过图片识别、看图说话、图片自动编码解码等三个实际案例，讲解python如numpy、pandas、tensorflow、keras、seaborn、matplotlib等常用库操作过程。