人工智能+自然语言处理3天

| |1.人工智能概述 |

|第一节：人工智能与机器学习基础 |2.机器学习概述 |

| |3.机器学习算法应用分析 |

| |1.一元线性回归 |

| |2.代价函数 |

| |3.梯度下降法 |

|第二节：回归算法 |4.sklearn一元线性回归应用 |

| |5.多元线性回归 |

| |6.sklearn多元线性回归应用 |

| |案例：葡萄酒质量和时间的关系 |

| |1.KNN分类算法介绍 |

| |2.KNN分类算法应用 |

|第三节：KNN分类算法 |3.KNN实现 |

| |案例：鸢尾花分类 |

| |1.决策树算法介绍 |

| |2.熵的定义 |

|第四节：决策树算法 |3.决策树算法与应用实现 |

| |案例：用户购买行为预测 |

| |1.Bagging算法介绍 |

| |2.随机森林建模方法 |

|第五节：集成算法与随机森林 |3.Adaboost算法介绍 |

| |4.Stacking算法介绍 |

| |5.Voting算法介绍 |

| |1.K-means算法介绍 |

| |2.K-means算法应用 |

|第六节：K-means聚类算法 |3.K-means算法实际应用案例 |

| |案例：NBA球队实力聚类分析 |

| |1.SVM算法介绍 |

|第七节：支持向量机 |案例：SVM完成人脸识别应用 |

| |1.数据缺失处理 |

| |2.特征筛选方法 |

|第八节：特征工程项目-银行 |3.特征工程 |

|用户违约预测 |4.数据不平衡问题处理 |

| |5.算法选择 |

| |6.结果评估 |

| |1.人工神经网络发展史 |

|第九节：深度学习基础- |2.单层感知器 |

|神经网络介绍 |3.激活函数，损失函数和梯度下降法 |

| |4.BP算法介绍 |

| |案例：BP算法解决手写数字识别问题 |

| |1.Mnist数据集合Softmax讲解 |

| |2.使用BP神经网络搭建手写数字识别 |

|第十节：Tensorflow基础应用 |3.交叉熵(cross-entropy)讲解和使用 |

| |4.过拟合,正则化,Dropout |

| |5.各种优化器Optimizer |

| |1.CNN卷积神经网络 |

|第十一节：卷积神经网络CNN应用 |2.卷积层、池化层（均值池化、最大池化） |

| |3.CNN手写数字案例 |

| |1.RNN循环神经网络 |

|第十二节：长短时记忆网络 |2.长短时记忆网络LSTM |

|LSTM应用 |3.LSTM应用案例 |

| |AlexNet模型介绍 |

| |VGG模型介绍 |

|第十三节：常用卷积网络模型介绍 |Inception模型介绍 |

| |4.ResNet模型介绍 |

| |1.数据准备 |

| |2.数据增强 |

|第十四节：用自己的数据来训练一 |3.模型搭建 |

|个新的图像识别模型 |4.模型训练 |

| |5.结果测试 |

| |1.目标检测项目介绍 |

| |2.R-CNN模型介绍 |

| |3.SPPNET模型介绍 |

| |4.Fast-RCNN模型介绍 |

|第十五节：目标检测模型介绍 |5.Faster-RCNN模型介绍 |

| |6.SSD模型介绍 |

| |7.yolo-v1模型介绍 |

| |8.yolo-v2模型介绍 |

| |9.yolo-v3模型介绍 |

| |1.项目安装配置环境 |

| |2.准备数据集 |

|第十六节：目标检测模型实战 |3.使用训练好的目标检测模型进行预测 |

| |4.用自己的数据训练新的目标检测模型 |

| |1. word2vec介绍 |

| |2.Transformer模型介绍 |

|第十七节：自然语言处理技术介绍 |3.Self-Attention机制介绍 |

| |4.多头注意力机制介绍 |

| |5..Bert模型介绍 |

| |6.GPT-3模型介绍 |

| |1.用CNN训练一个新的文本分类模型 |

|第十八节：自然语言处理项目实战 |2.用LSTM训练一个新的文本分类模型 |

| |3.用Bert训练一个新的文本分类模型 |

| |1.针对学员面对的问题进行讨论，提出建议 |

|课后辅助： |2.建立微信群（课后技术免费指导） |

| |3.上课ppt资料都发到群里面 |