5大階段,40+課程,16+經典案例,4大商業項目實戰 實現向人工智能的華麗轉型

課程時長:約66天,每天不低于6小時 授課方式:線下面授 + 翻轉課堂(部分課程結合平臺在線課程)

階段一:數據分析師認知篇

此階段為我們整個課程的第一階段,菜鳥筑基,即代碼級。將主要側重Python語言及數據分析包的學習。通過對Python語言、Python數據處理、分析包及可視化包的學習,訓練學員掌握人工智能必備的基本編碼能力,為后續進一步學習人工智能/機器學習更高級的內容打下堅實且必要基礎。

  • 重要程度:
  • 難度級別:
序號 課程名稱 課程介紹 學習內容 課時目標 學完后做什么
01 人工智能(機器學習)基礎 – Python 掃盲

課時:1天

本課程介紹機器學習首選語言Python,主要講解了python語言的開發環境的搭建、模塊管理工具的安裝、介紹開發的模式,編寫簡單的代碼和算法。Python的歷史和生態環境介紹,開發環境的搭建,pip的介紹和安裝,模塊的概念介紹,編寫簡單的模塊;模塊的導入、認識Python的內置數據類型、算術運算符、邏輯運算符、定義函數,類、異常的處理和使用、文件操作等。 1、Python語言開發要點詳解
2、Python開發環境搭建
3、Python數據類型和常見算法
4、Python 函數式編程
5、Python文件處理
1、從零開始學會搭建Python開發環境
2、掌握Python基礎語法
3、理解基本編程思想與方法
能夠使用Python寫一個簡單的基于控制臺的應用
02 人工智能(機器學習)基礎 – Python 核心編程

課時:2天

這是機器學習的第二門入門課程,機器學習是一門綜合學科,需要數學、統計數基礎及計算機相關編碼技能,本課程在課程一的基礎上進一步加強機器學習首選語言-Python的內容,涉及Python語言核心的集合、元組、泛型、字典及相關數據持久化等知識,為后繼進一步深入機器學習打下堅實基礎。 1、Python 中的集合,泛型,元組,字典
2、Python網絡編程、多線程 、正則表達式
3、MySQL數據庫精講
4、MongoDB數據庫精講
5、Python中如何操作MySQL數據庫
6、Python中如何操作MongoDB
1、對Python的集合,泛型、元組深入理解與掌握
2、掌握Python面向對象編程
3、光速上手MySQL & MongoDB 數據庫
4、掌握Python如何操作MySQL數據庫
5、掌握Python如何操作MongoDB數據庫
1、利用python類庫實現更加高級的數據處理
2、可以把爬蟲獲取到的數據存放到數據庫中
3、熟練使用Python進行數據持久化工作
03 數據收集– Python 爬蟲技術

課時:3天

進行數據分析的前提是要有數據,數據的來源方式有很多種,其中有一種非常常見的數據獲取方式就是利用網絡爬蟲抓了數據,Python是最好的進行網絡爬蟲的實現語言之一,利用其提供的Scapy框架可以很方便快捷高效的實現數據的收集,通過本門課程的學習,可以讓零基礎人群輕松掌握利用Python的urllib2、beautifulsoup及scrapy框架三種方式爬取網絡上信息 1、Python爬蟲原理與入門
2、利用requests及BeautifulSoup爬取數據
3、Beautiful Soup庫的使用
4、利用及BeautifulSoup爬取數據
5、利用Scrapy框架爬取數據
6、爬蟲綜合項目實戰
1、了解Python爬蟲的基本工作原理
2、掌握Python爬蟲的基本類庫:urllib2、beautifulsoup的使用
3、熟練使用Scrapy框架進行數據的抓取
1、使用 Python 庫進行豆辯電影分析
2、能夠利用Scrapy框架實時抓取京東、天貓商城數據
04 Python科學計算庫 - Numpy

課時:2天

本門課程主要介紹現在主流的數據科學工具包Numpy的使用。課程分入門和進階兩個部分通過入門部分的學習,可以應付后續機器學習課程中的絕大多數應用;而對于想要更深入探究算法原理的學員,建議掌握進階部分的內容。 1、NumPy 簡介、程序包、簡單的Numpy程序
2、Ndarray的文件操作
3、操作多維數組ndarray、索引、索引數組、布爾數組
4、改變ndarray的形狀
5、ndarray的基本運算
6、numpy進階
7、numpy高級:廣播、復制與視圖
1、了解Numpy的安裝與快速使用
2、閱讀Numpy API并熟練使用其核心方法
3、掌握Numpy對一維、二維及多維數據的使用技巧
1、能夠利用Numpy包進行一些金融,電商等 數據的量化分析工作
2、能夠利用Numpy進行數據的科學計算
3、能夠用Numpy實現“人工智能/機器學習”各種經典算法
05 Python科學計算庫 - Scipy

課時:2天

本門課程主要介紹常用的數據科學工具包Scipy。課程分入門和進階兩個部分,numpy提供了數組對象,面向的任何使用者。scipy在numpy的基礎上,面向科學家和工程師,提供了更為精準和廣泛的函數。scipy幾乎實現numpy的所有函數,一般而言,如果scipy和numpy都有這個函數的話,應該用scipy中的版本,因為scipy中的版本往往做了改進,效率更高。通過入門部分的學習,可以應付后續機器學習課程中的絕大多數應用;而對于想要更深入探究算法原理的學員,建議掌握進階部分的內容。 1、簡單的SCIPY程序
2、SCIPY程序包
3、scipy簡介
4、線性代數基礎知識_向量
5、線性代數基礎知識_矩陣
6、特征值和特征向量
7、解線性方程組
8、最小二乘法
1、了解Scipy包的安裝與基本使用方法
2、閱讀Scipy API并熟練使用其核心方法
3、掌握Scipy的科學計算方法與技巧
1、能夠利用Scipy包完成人工智能/機器學習應用中的一些專業數學統計運算
2、能夠利用Scipy進行人工智能/機器學習應用中的科學計算
3、能夠用Numpy+Scipy實現“人工智能/機器學習”各種經典算法
06 Python數據分析庫 – Pandas

課時:2天

pandas 是基于NumPy 的一種工具,該工具是為了解決數據分析任務而創建的。Pandas 納入了大量庫和一些標準的數據模型,提供了高效地操作大型數據集所需的工具。pandas提供了大量能使我們快速便捷地處理數據的函數和方法。你很快就會發現,它是使Python成為強大而高效的數據分析環境的重要因素之一。通過本門課程的學習,可以應付后續機器學習課程中的絕大多數應用,建議掌握本部分的內容。 1、Pandas 簡介\PANDAS程序包安裝
2、S簡單的PANDAS程序\Series類說明
3、Series的bool運算選擇\SERIES的復雜操作
4、DataFrame的常用構造方式與操作
5、分組求和(聚合操作)\列與列之間的四則運算
6、刪除某一列\按位置選定指定的行和列
7、深復制&淺復制
8、DataFrame與DataFrame之間的join操作
1、了解Pandas包的安裝與基本使用方法
2、閱讀Pandas API并熟練使用其核心方法
3、掌握Pandas的科學計算方法與技巧
1、能夠利用Pandas包進行人工智能/機器學習應用的數據分析工作
2、能夠利用Pandas包簡化人工智能/機器學習應用中的科學計算
3、能夠利用Pandas實現“人工智能/機器學習”各種經典算法
07 Python數據分析可視化庫 – matplotlib

課時:3天

Matplotlib 可能是 Python 2D-繪圖領域使用最廣泛的套件。它能讓使用者很輕松地將數據圖形化,并且提供多樣化的輸出格式。這里將會探索 matplotlib 的常見用法。。通過本門課程的學習,可以應付后續機器學習課程中的絕大多數應用,建議掌握本部分的內容 1、Matplotlib簡介
2、matplotlib程序包安裝
3、簡單的matplotlib程序
4、Matplotlib主要繪圖類型(上)
5、Matplotlib主要繪圖類型(下)
6、Matplotlib主要繪圖參數
7、Matplotlib主要繪圖裝飾函數
8、Matplotlib文字標注與注釋
1、了解matplotlib包的安裝與基本使用方法
2、閱讀matplotlib API并熟練使用其核心方法
3、掌握matplotlib的繪圖技巧,實現可視化展示
1、能夠使用 Python 庫進行豆辯電影分析
2、能夠利用對人工智能/機器學習處理后的數據進行可視化展示
08 綜合項目實戰 - Python豆瓣電影分析系統

課時:1.5天

本項目系Python數據分析模塊全部學習完成后最終的一個綜合項目實戰課程,項目通過真實的豆瓣電影數據的分析,從數據的抓取,到數據的清洗、處理、拆分、合并、去重、特征值提取,到最后的數據分析及可視化數據展示,全面演示了一個數據分析業務的運行全過程。 通過一個真實項目演示一個數據分析項目全流程,主要包括:
1、業務需求分析
2、數據收集
3、數據清洗
4、數據處理
5、數據分析
6、數據可視化分析展示
7、數據分析報告
項目涉及到技術有:
1、Python基礎語法與核心編程
2、Python中的爬蟲技術
3、Numpy數據處理
4、Pandas數據分析
5、Matplotlib\PyEcharts的數據可視化等技術。
1、了解了一個真實的數據分析項目全流程
2、能夠對之前學習過的Python爬蟲技術結合項目有更深入的理解
3、掌握numpy,pandas 結合 matplotlib\PyEcharts進行可視化數據分析與展示

5大階段,40+課程,16+經典案例,4大商業項目實戰 實現向人工智能的華麗轉型

課程時長:約66天,每天不低于6小時 授課方式:線下面授 + 翻轉課堂(部分課程結合平臺在線課程)

階段二:應用級

此階段為我們整個課程的第二階段,菜鳥進階,即應用級。側重于機器學習的算法基礎了解及算法的Python代碼實現。通過對基本的數理統計知識的學習,了解機器學習必須掌握的算法原理及Python代碼實現,達到利用Python代碼結合算法解決實際人工智能/機器學習業務分析預測的目的。

  • 重要程度:
  • 難度級別:
序號 課程名稱 課程介紹 學習內容 課時目標 學完后做什么
01 機器學習入門

課時:1天

這是機器學習的入門課程,首先通過一個生活中的例子去理解數據挖掘和機器學習的概念,然后介紹了數據挖掘解決常見問題,常用的機器學習算法,以及經典應用案例。同時還介紹了機器學習的方法論和流程,為后續學習打下基礎。 機器學習掃盲
數據挖掘和機器學習概述
快速理解數據挖掘和機器學習
數據挖掘的六大任務
數據挖掘方法論(CRISP-DM)
預測模型的構建和應用流程
機器學習算法及分類.
數據挖掘與數據倉庫和OLAP
數據挖掘和機器學習應用案例
如何成為一名優秀的數據科學家
1、了解什么是人工智能/機器學習
2、了解人工智能/機器學習應用領域
3、了解人工智能/機器學習的實現基本思路與方法
1、能夠對人工智能與機器學習、深度學習之間的關系有了一個深入的理解
2、能夠知道開發一個人工智能的應用一些基本的套路與實現步驟
3、對十大經典人工智能/數據挖掘算法有一個基本的認知
02 機器學習基礎 - 數理統計必知必會

課時:3天

這是機器學習的基礎課程,主要講述了機器學習必備的一些數理統計的基礎概述、名詞,術語,包括但不限于:均值,中位數,眾數,方差,標準差、概率的基本概念、描述性統計分析、分類變量的分析方法、連續變量的分析方法、相關性分析等,為后續的機器學習的深入學習打下基礎 均值\中位數\眾數
方差\標準差
概率的基本概念
數據理解和探索
認識數據
描述性統計分析
分類變量的分析方法
連續變量的分析方法
相關性分析
1、了解機器學習必備的一些數理統計的基礎概述、名詞,術語
2、為進一步深入人工智能/機器學習十大算法打基礎
1、能夠利用所學的數理統計知識解決實際工作中遇到的概率問題
2、為后續的機器學習的深入學習打下基礎
03 機器學習十大經典算法原理與場景概述(入門篇)

課時:2天

本門課程介紹了國際權威組織ICDM于2006年12月評選出來的數據挖掘領域的十大算法,此十大算法分別涉及后面我們要講到的監督學習、無監督學習、加強學習等分類,為機器學習之必學篇。這門課程只對ML的常用算法有個常識性的認識,沒有代碼,沒有復雜的理論推導,就是圖解一下,知道這些算法是什么,它們是怎么應用的,后繼課程對各算法有專題講解。 決策樹算法原理與適用場景
隨機森林算法原理與適用場景
邏輯回歸算法原理與適用場景
SVM算法原理與適用場景
樸素貝葉斯算法原理與適用場景
K最近鄰算法原理與適用場景
K均值算法原理與適用場景
Adaboost 算法原理與適用場景
神經網絡算法原理與適用場景
馬爾可夫算法原理與適用場景
1、了解十大經典算法的發展歷史與由來
2、了解十大經典算法的原理與公式
3、了解十大經典算法的具體應用和適應場景
1、了解十大經典算法是什么,為什么 ,以及怎么用
2、了解十大經典算法的經典應用場景及實際解決什么問題
3、能夠知道在什么場景下我們應該用哪個算法來解決實際問題
4、為后繼具體算法在人工智能/機器學習具體業務應用打下基礎
04 機器學習框架:scikit-learn快速入門

課時:2天

對Python語言有所了解的科研人員可能都知道SciPy——一個開源的基于Python的科學計算工具包。基于SciPy,目前開發者們針對不同的應用領域已經發展出了為數眾多的分支版本,它們被統一稱為Scikits,即SciPy工具包的意思。而在這些分支版本中,最有名,也是專門面向機器學習的一個就是Scikit-learn。Scikit-learn項目最早由數據科學家 David Cournapeau 在 2007 年發起,需要NumPy和SciPy等其他包的支持,是Python語言中專門針對機器學習應用而發展起來的一款開源框架。在機器學習和數據挖掘的應用中,scikit-learn是一個功能強大的python包。在數據量不是過大的情況下,也不需要開發者擁有太多的數學統計學的知識即可以解決大部分問題,本課程系scikit-learn的入門篇,主要包括:Sk-learn框架的安裝、基本功能、常見使用技巧等 Scikit-learn簡介
安裝和運行Scikit-learn
Scikit-learn的基本功能-分類算法API簡介
Scikit-learn的基本功能-回歸算法API簡介
Scikit-learn的基本功能-聚類算法API簡介
Scikit-learn的數據降維處理
Scikit-learn的模型選擇
Scikit-learn的數據預處理API
Scikit-learn 綜合實例
1、了解sk-learn的安裝、使用與框架背景
2、了解sk-learn的常見API
3、能夠借助sk-learn重新實現十大經典算法(結合案例)
1、能夠利用sk-learn框架去簡化實現機器學習-監督學習
2、能夠利用sk-learn框架去簡化實現機器學習-非監督學習

5大階段,40+課程,16+經典案例,4大商業項目實戰 實現向人工智能的華麗轉型

課程時長:約66天,每天不低于6小時 授課方式:線下面授 + 翻轉課堂(部分課程結合平臺在線課程)

階段三:工程級

此階段為我們整個課程的第三階段,菜鳥初入江湖,工程級階段。本階段側重于對人工智能/機器學習工作流程中最重要的幾個環節,通過對數據準備、數據特征、數據模型的深入介紹及算法優化,結合深度學習和具體的經典案例,讓學員對于機器學習上升到工程應用的級別,能夠進行基本的算法評估與優化。

  • 重要程度:
  • 難度級別:
序號 課程名稱 課程介紹 學習內容 課時目標 學完后做什么
01 機器學習 – 數據預備、清洗與特征工程

課時:2天

有這么一句話在業界廣泛流傳:數據和特征決定了機器學習的上限,而模型和算法只是逼近這個上限而已。特征對數據挖掘和機器學習效果的重要性意味著特征工程的重要性,然而一般的特征工程也有其局限性,這時候特征提取可能更符合我們的需要。本課程詳細介紹各種數據準備和特征工程的方法,主要包括對數據記錄級處理,特征構造,特征轉換,特征降維和特征選擇,一個好的特征工程能大幅提高數據挖掘的性能。 什么是特征工程(概述、特征構造、用戶行為特征提取)
特征處理01 - 衍生變量\變量標準化\變量二值化
特征處理02 - 數據分箱\啞變量\獨熱編碼
特征處理03 - 數據變換\缺失值處理組合特征
特征選擇01 - 單特征的預測能力
特征選擇02 - Wrapper
特征選擇03 - Embedded
降維-主成分分析(PCA)
降維-線性判別分析法(LDA)
1、了解各種數據準備和特征工程的方法
2、掌握數據記錄級處理,特征構造的方法、技巧與經驗
3、掌握特征轉換,特征降維和特征選擇的方法、技巧與經驗
1、能夠把不同的數據利用不同的方法實現清洗與處理
2、能夠實現對多種數據的特性選取與轉換
3、可以實現對復雜數據集的降維處理
02 機器學習之監督學習核心之 - 分類算法原理與實踐

課時:5天

如何解決分類問題和回歸是機器學習其中兩個主要任務,分類就是將實例數據劃分到合適的分類中,回歸主要用于預測數值型數據。分類和回歸屬于監督學習[x1] ,這類算法必須知道預測什么,即目標變量的分類信息,本門課程主要介紹了常用的五種分類算法:K近鄰,決策樹,樸素貝葉斯,邏輯回歸,支持向量機(SVM) ,并結合具體的經典實戰案例演示監督學習的具體應用 什么是監督學習、十分鐘實例快速上手有監督學習
監督學習應用程序的步驟、實戰監督學習之K-近鄰算法
實戰監督學習之樸素貝葉斯算法、實戰監督學習之決策樹原理介紹及代碼調用
案例實現、邏輯回歸(LR)原理、邏輯回歸代碼實現、邏輯回歸正則化方法
邏輯回歸模型參數調優、邏輯回歸的多分類問題
支持向量機算法、什么是支持向量機
支持向量機算法基本原理、支持向量機代碼演示
支持向量機參數優化、支持向量機、案例實現
1、進一步了解常見的五種分類算法:K近鄰,決策樹,樸素貝葉斯,邏輯回歸,支持向量機(SVM)
2、了解如何結合Python代碼實現五種分類算法
3、了解如何結合實際案例深入理解五種算法的具體應用
1、能夠利用決策樹為你進行智能配鏡
2、能夠實現kaggle競賽案例泰坦尼克號獲救預測
3、能夠利用樸素貝葉斯對iris(鳶尾花)進行數據集分析
4、能夠制作簡單垃圾郵件過濾模型
03 機器學習之非監督學習算法 - 聚類與關聯算法原理與實踐

課時:5天

非監督學習是機器學習中除了監督學習外的另外一大類任務,常見的非監督學習方法有聚類分析和關聯規則,本門課程就是重點介紹這兩種方法。聚類分析中會介紹各種不同的距離的度量,以及Kmeans算法的基本原理;關聯規則會介紹關聯規則的基本概念以及發現頻繁項集的常用算法Apriori。 Kmeans算法的基本原理與實現
構建你的第一個關聯模型
關聯規則的三個評價指標
Apriori算法原理及代碼調用
FP-growth算法原理及代碼調用
如何挑選有價值的關聯規則
基于關聯規則的推薦應用
1、了解什么是聚類分析及其具體代碼實現
2、了解什么是關聯規則及其具體代碼實現
3、通過真實案例進一步對非監督算法深入理解
1、能夠利用相關算法實現手寫識別系統
2、能夠利用相關算法實現購物商品價格預測
3、能夠利用相關算法實現新聞網站流量點擊分析
04 機器學習之協同過濾原理與實戰

課時:3天

關于協同過濾的一個最經典的例子就是看電影,有時候不知道哪一部電影是我們喜歡的或者評分比較高的,那么通常的做法就是問問周圍的朋友,看看最近有什么好的電影推薦。在問的時候,都習慣于問跟自己口味差不多的朋友,這就是協同過濾的核心思想。
協同過濾是在海量數據中挖掘出小部分與你品味類似的用戶,在協同過濾中,這些用戶成為鄰居,然后根據他們喜歡的東西組織成一個排序的目錄推薦給你。
協同過濾算法的出現標志著推薦系統的產生,本課程主要介紹了協同過濾的兩個核心算法算法:基于用戶和基于物品的協同過濾算法。
協同過濾的基本概念
用戶偏好數據的收集與處理
基于相似用戶的協同過濾推薦
基于相似物品的協同過濾推薦
案例實戰:協同過濾推薦系統
案例實戰:餐館菜肴推薦系統
了解協同過濾算法的基本原理
掌握協同過濾算法的代碼實現
通過真實案例進一步對協同過濾算法深入理解
1、能夠實現電商相似商品推薦
2、能夠實現餐館菜肴推薦系統
3、能夠實現電影推薦系統
05 機器學習經典案例集:基于scikit-learn框架實現

課時:2天

本課程系:《機器學習框架:scikit-learn快速入門》之后的高階課程 ,在上述課程基礎上,加入了機器學習領域典型 的實戰案例,是學習人工智能/機器學習課程的必須掌握的內容。
課程總共有5個非常經典的能夠用來練手的項目案例組成,通過本課程的學習,讓學員對機器學習框架sk-learn有了一個更加全面、系統、深入的認識。
01- 機器學習經典案例:垃圾郵件過濾模型
02- 機器學習經典案例:KNN算法實現手寫字體識別
03- 機器學習經典案例:從疝氣病癥預測病馬的死亡率
04- 機器學習經典案例:利用決策樹為你進行智能配鏡
05- 機器學習經典案例:餐館菜肴推薦系統
了解Sk-learn在幾大經典算法中的實際應用
利用SK-learn框架解決實際企業業務中遇到的相關問題
1、能夠利用SK-Learn機器學習框架實現企業需求
2、能夠利用SK-Learn機器學習框架實現監督學習的一些經典算法
3、能夠利用SK-Learn機器學習框架實現非監督學習的一些經典算法
06 機器學習之集成學習– 多算法融合

課時:2天

集成學習是機器學習中一個非常重要且熱門的分支,是用多個弱分類器構成一個強分類器,其哲學思想是“三個臭皮匠賽過諸葛亮”。一般的弱分類器可以由決策樹,神經網絡,貝葉斯分類器,K-近鄰等構成。已經有學者理論上證明了集成學習的思想是可以提高分類器的性能的,比如說統計上的原因,計算上的原因以及表示上的原因。 Bagging框架原理介紹
Boosting框架原理介紹
Stacking框架原理介紹
隨機森林RF算法原理及代碼調用
GBDT算法原理及代碼調用
xgboost算法原理及代碼調用
1、了解現在主流的機器學習-集成學習的主流框架原理 2、掌握現在主流的機器學習-集成學習的主流框架算法的Python代碼實現
3、通過真實案例進一步加深理解
1、能夠利用集成學習框架實現廣告預測
2、能夠利成集成學習框架實現房價預測
07 機器學習之文本與圖像數據挖掘方法

課時:2天

文本挖掘是指從大量文本數據中抽取事先未知的、可理解的、最終可用的知識的過程,同時運用這些知識更好地組織信息以便將來參考。圖像數據挖掘是用來挖掘大規模圖像數據中隱含的知識、圖像內或圖像間的各種關系以及其他隱藏在圖像數據中的各種模式的一種技術。涉及圖像獲取、圖像存儲、圖像壓縮、多媒體數據庫,涉及圖像處理與分析、模式識別、計算機視覺、圖像檢索、機器學習、人工智能、知識表現。本門課程將主要講解常見的文本挖掘、圖像挖掘算法原理及具體實現 文章分詞與詞云圖
TF-IDF算法
word2vec工具
計算文檔相似度及文檔聚類
計算機視覺技術的典型應用
圖像特征的提取方法
構建一個簡單的圖像識別應用
1、理解自然語言處理的原理與應用場景
2、了解文本與圖像數據挖掘處理的算法原理與具體實現
3、掌握Word2VEC工具的使用
4、掌握圖像識別特征提取的方法與技巧
1、能夠構建一個簡單的圖像識別應用
2、能夠利用Word2VEC實現新聞關鍵字提取

5大階段,40+課程,16+經典案例,4大商業項目實戰 實現向人工智能的華麗轉型

課程時長:約66天,每天不低于6小時 授課方式:線下面授 + 翻轉課堂(部分課程結合平臺在線課程)

階段四:算法級

此階段為我們整個課程的第四階段,華山論劍,算法級階段。本階段會讓學員對人工智能/機器學習算法有更進一步的深入理解,主要涉及深度學習、自然語言等時下非常熱門的機器學習領域的算法講解,并結合相關機器學習框架/深度學習框架(Tensorflow 、Keras)簡化人工智能-機器學習、深度學習的代碼實現 。

  • 重要程度:
  • 難度級別:
序號 課程名稱 課程介紹 學習內容 課時目標 學完后做什么
01 深度學習入門篇:神經網絡、深度學習入門

課時:1天

深度學習是機器學習中一種基于對數據進行表征學習的方法。觀測值(例如一幅圖像)可以使用多種方式來表示,如每個像素強度值的向量,或者更抽象地表示成一系列邊、特定形狀的區域等。而使用某些特定的表示方法更容易從實例中學習任務(例如,人臉識別或面部表情識別)。深度學習的好處是用非監督式或半監督式的特征學習和分層特征提取高效算法來替代手工獲取特征。
深度學習是機器學習研究中的一個新的領域,其動機在于建立、模擬人腦進行分析學習的神經網絡,它模仿人腦的機制來解釋數據,例如圖像,聲音和文本。本課程主要涉及深度學習、神經網絡原理與實戰應用
深度學習總體介紹
傳統神經網絡
卷積神經網絡-基礎篇
卷積神經網絡-高級篇
卷積神經網絡-目標分類
卷積神經網絡-目標探測
遞歸神經網絡
實例訓練:表情識別/人臉識別/動物識別
1、了解傳統神經網絡-基本算法原理
2、了解卷積神級網絡 - 算法原理與實現
3、借助相關框架實現深度學習相關應用(圖像識別/人臉識別/文字識別)
1、能夠實現表情識別的小應用
2、能夠實現圖像識別
02 深度學習框架篇:TensorFlow從上手到項目實戰

課時:3天

TensorFlow 表達了高層次的機器學習計算,大幅簡化了第一代系統,并且具備更好的靈活性和可延展性。TensorFlow一大亮點是支持異構設備分布式計算,它能夠在各個平臺上自動運行模型,從手機、單個CPU / GPU到成百上千GPU卡組成的分布式系統。
本課程從TensorFlow的背景介紹,安裝基本環境開始講起,到TensorFlow常見API、方法的使用。TensorFlow中常用的各模塊,結合實例詳解,TensorFlow高級使用介紹,如過擬合(Overfitting),歸檔與提取,遷移學習等,并結合實例詳解,最后通過一個小項目:利用TensorFlow實戰-構造CNN實現手寫識別系統,對上述知識點做一完整演練。
1、TensorFlow的背景介紹,安裝、基本環境
2、TensorFlow常見API、方法的使用
3、TensorFlow高級使用介紹:過擬合(Overfitting),歸檔與提取,遷移學習等
4、項目實戰:利用TensorFlow實戰-構造CNN實現手寫識別系統
1、了解TensorFlow的基本安裝與開發環境
2、掌握TensorFlow的常見API方法的使用
3、了解TensorFlow的高級使用技巧,如:過擬合,歸檔與提取,遷移學習等
1、利用python類庫實現更加高級的數據處理
2、可以把爬蟲獲取到的數據存放到數據庫中
3、熟練使用Python進行數據持久化工作
03 深度學習項目篇:基于Tensorflow的新聞閱讀與個性化搜索

課時:1天

此課程的背景是一個"新聞閱讀與個性化搜索"項目。
課程中用到神經網絡和深度學習等方面的技術,以詞向量技術為基礎,并采用了微軟的一篇論文所公開的技術,實現對新聞的T字形關鍵詞提取。該項目目的旨在對新聞的文本進行處理,可以有效幫助讀者更輕松快速地閱讀和理解新聞。在此基礎上,更可以進一步實現新聞的個性化搜索
1、深度學習基礎知識精講
2、項目背景與開發運行環境
3、word2vec詞向量的原理
4、word2vec的神經網絡模型
5、word2vec代碼剖析之cbow
6、word2vec代碼剖析之skip-gram (上)
7、word2vec代碼剖析之skip-gram (中)
8、word2vec代碼剖析之skip-gram(下)
9、項目代碼運行及結果分析
10、項目總結
1. 熟悉Tensorflow的編程框架和常用編程技巧,數據結構。
2. 理解word2vec的原理以及實現方式,應用場景。
3. 了解自然語言處理和文本分析的行業應用。
能夠利用TensorFlow框架實現更復雜的一些人工智能、深度學習的應用
04 深度學習項目篇:基于Tensorflow深度學習實現的人臉識別系統

課時:2天

本課程為利用卷積神經網絡實現人臉識別的實戰課程,考慮到學員的不同需求,本課程采用循序漸進的方法,先介紹深度學習框架(TensorFlow)的基礎知識,然后,用TensorFlow實現一個不用激活函數的簡單的神經網絡、然后實現一個帶激活函數的多層感知器算法、最后介紹卷積神經網絡架構及原理,最后通過人臉識別實際案例,具體演示如何構建一個人臉識別模型。
本課程涉及TensorFlow、Python基礎知識、神經網絡原理、卷積神經網絡架構及原理,同時包括對深度學習整個過程的詳細說明及代碼實現,具體包括獲取數據、預處理數據、構建卷積神經網絡涉及的變量、各層級等、訓練模型、測試模型、優化模型、并對結果進行可視化,同時對中間過程的關鍵環節進行可視化等。
第一章 項目簡介
第二章 TensorFlow基礎
第三章 神經網絡基礎
第四章 神經網絡(多層)實戰
第五章 卷積神經網絡架構及原理
第六章 卷積神經網絡-人臉識別實戰案例
第七章 項目小結
1、熟悉神經網絡、卷積神經網絡的架構、原理
2、熟悉TensorFlow、Python;
3、掌握如何使用TensorFlow或Python定義和實現卷積神經網絡;
4、掌握如何利用卷積神經網絡解決圖形識別問題:
5、了解深度學習的訓練過程、調優方法、調優過程等。
能夠利用TensorFlow框架實現更復雜的一些人工智能、深度學習的應用
05 深度學習框架篇 - Keras從入門到實戰(卷積、循環神經網絡、圖像識別、情感分析)

課時:2天

Keras 提供了一個更簡單,快捷的方式讓你可以在 TensorFlow 中構建并訓練模型,因為模型仍然是由 TensorFlow 引擎運行的,所以不會影響性能。所以如果你關心你自己的時間和生產效率的話,你就應該關注 Keras。
Keras 是一種真正的深度學習框架:一種精心設計的可以用來構建深度學習模型的 API,只需要將高層次的構造模塊拼接到一起就可以了。而且因為 Keras 運行在 TensorFlow 或 Theano 之上,所以相比于使用其它更低層次的框架,使用 Keras 沒有性能上的成本.
本課程詳細介紹了Keras從基本的安裝開始,到配置使用,涉及卷積、循環神經網絡、圖像識別、情感分析,為后繼的深度學習打下基礎
# Keras 簡介
1.1 科普: 人工神經網絡 VS 生物神經網絡
1.2 什么是神經網絡 (Neural Network)
1.3 神經網絡 梯度下降
1.4 科普: 神經網絡的黑盒不黑
1.5 Why Keras?
1.6 Keras 安裝
1.7 兼容 backend
# 如何搭建各種神經網絡
2.1 Regressor 回歸
2.2 Classifier 分類
2.3 什么是卷積神經網絡 CNN (Convolutional Neural Network)
2.4 CNN 卷積神經網絡
2.5 什么是循環神經網絡 RNN (Recurrent Neural Network)
2.6 什么是 LSTM 循環神經網絡
2.7 RNN Classifier 循環神經網絡
2.8 RNN Regressor 循環神經網絡
2.9 什么是自編碼 (Autoencoder)
2.10 Autoencoder 自編碼
其他應用
1、了解Keras的基本安裝配置
2、掌握Keras的常用API的使用
3、了解利用如何keras實現各種卷積神經網絡
4、掌握如何利用Keras實現深度強化學習
能夠利用 Keras 框架實現更復雜的一些人工智能、深度學習的應用

5大階段,40+課程,16+經典案例,4大商業項目實戰 實現向人工智能的華麗轉型

課程時長:約66天,每天不低于6小時 授課方式:線下面授 + 翻轉課堂(部分課程結合平臺在線課程)

階段五:專家級

此階段為我們整個課程的第五階段,笑傲江湖,專家級階段。本階段偏大數據+人工智能及真實項目實戰,大數據部分側重于大數據快速入門及大數據分析并結合人工智能的一些具體應用,項目主要對時下流行且主流的人工智能/機器學習的項目為主線進行講解。直接拿阿里天池大賽、 Kaggle數據競賽數據,通過具體的項目實戰機器學習、數據分析\挖掘,讓學員對之前所學的知識得到充分應用,從而達到融會貫通、舉一反三的目的。借助四大商業級項目實戰,讓學員對推薦系統、大數據下的人工智能應用有一個全面的理解與認識,讓學員在工作中有機會沖擊數據科學家工作崗位,從而成為這個領域的專家

  • 重要程度:
  • 難度級別:
序號 課程名稱 課程介紹 學習內容 課時目標 學完后做什么
01 大數據分析Hadoop及Python實現

課時:1天

本部分抽取出做大數據分析之必知必會的虛擬機搭建、Linux常見命令和Hadoop內容,重點講解了Python中如何與Hadoop結合實現離線數據分析,最后通過一個“股票分析案例“對上述內容進行全程演練,讓學員徹底掌握這塊內容 1、大數據框架Hadoop介紹、MapReduce思想
2、使用QuickStart VM快速搭建環境、數據基本存儲命令
3、案例一:Python實現Hadoop MapReduce 詞頻統計
4、案例二:Python實現Hadoop MapReduce 的IBM股票價格數據分析
5、案例二:Matplotlib繪圖展示分析結果
1、了解什么是大數據,大數據基本環境及相關配置
2、了解什么是Hadoop,什么是MapReduce
3、掌握Python中如何與Hadoop結合實現數據分析
1、對大數據有了一個基本的認識
2、能夠用Python根據需求寫一個MapReduce程序在Hadoop平臺中運行
02 大數據分析框架PySpark基本使用

課時:1天

PySpark是目前企業中主流在使用進行大數據平臺下的一個框架,把現在主流的Python及Spark結合起來使用,即利用到了Python強大的數據分析功能,又利用了Spark強大的實時功能。本課程詳細介紹了PySpark框架的安裝、配置、常見API,使用技巧等,并結合”航班信息分析“案例對上述內容全程演練 1、Spark簡介、環境搭建
2、Spark 核心、Jupyter Notebook使用
3、詞頻統計:WordCount
4、使用PyCharm對航班信息數據分析
1、了解什么是Spark
2、掌握基本的Spark+Python的開發環境搭建
3、掌握基本的框架常見API的使用
1、能夠對Spark有一個基本的理解
2、能夠搭建起一個PySpark開發環境
3、能夠結合業務編寫一個簡單的PySpark小應用
03 PySpark分析某航天中心服務器日志

課時:2天

數據分析里有一個典型的應用就是日志分析,本課程在前一個課程的基礎上更側重于實際應用。通過一個完整的”航空信息日志“在PySpark中的數據分析,使學員短時間內掌握PySpark的一些高級技巧,使用學員對該框架的理解和使用更上一個臺階 1、服務器日志讀取解析
2、日志數據采樣統計概覽
3、基于不同需求分析日志數據
4、分析展示404響應日志數據
1、了解日志數據的獲取與解析
2、掌握日志數據的特點與常見日志需求
3、掌握如何在PySpark中對日志數據分析的相關技巧
1、能夠了解常見的日志數據的格式與解析
2、能夠結合業務利用PySpark框架對于不同系統的離線日志進行分析
04 大數據Hive集成Python分析

課時:2天

本課程主要講解了Hive如何結合PySpark框架進行數據的分析。本課程不僅停留在理論層面,而是全程案例貫穿,通過一個“影評數據分析系統”完整的演示了Hive SQL 如何與PySpark集成分析的全過程 1、大數據SQL分析框架Hive使用
2、HQL結合Python腳本影評數據分析
3、PySpark與Hive集成分析
4、基于SQL和DSL的PySpark分析
1、了解什么是Hive,應用場景
2、掌握Hive如何與PySpark集成
3、掌握Hive如何與PySpark結合進行大數據分析
1、能夠獨立完成Hive與PySpark的集成
2、會使用Hive+PySpark結合業務做數據分析
05 大數據機器學習語言基礎 - SCALA

課時:3天

Scala語言具備面向對象和函數式兩種編程范式,為程序設計帶來了更大的靈活性和方便性。本門課程將簡明扼要地介紹Scala的語言基礎。完成本課程的學習后,同學們將對函數式編程有初步的認識,也能夠編寫簡單的Scala代碼。 1、SCALA 環境安裝搭建和IDEA初步使用
2、變量、數據類型、流程控制語句
3、函數式編程:函數定義、匿名函數、高階函數、可變參數函數等
4、Scala 集合:可變和不可變、列表List、元祖Tuple及Set和Map及常見高階函數4、Scala OOP、模式匹配、隱式轉換
1、了解Scala語言優勢
2、掌握如何安裝配置Scala環境
3、掌握Scala中變量聲明
4、熟練使用Scala中高階函數和匿名函數
5、理解Scala模式匹配和隱式轉換
6、掌握Scala中集合類及List列表中常見高階函數的使用
本階段完成可以為后續Spark和Kafka學習查看源碼打下基礎,更好的理解Spark框架的精髓,企業中很多是基于Scala語言編寫代碼分析數據的。
06 Spark MLlib機器學習

課時:2天

本課程主要講解Spark MLlib,Spark MLlib是一種高效、快速、可擴展的分布式計算框架;實現了常用的機器學習,如:聚類、分類、回歸等算法。本課拒絕枯燥的講述,將循序漸進從Spark的基礎知識、矩陣向量的基礎知識開始,然后再透徹講解各個算法的理論、詳細展示Spark源碼實現,最后均會通過實例進行解析實戰,幫助大家真正從理論到實踐全面掌握Spark MLlib分布式機器學習。 1、機器學習 簡要概述和基本概念
2、初步認識SparkMLlib中API
3、機器學習類別及開發流程
4、機器學習經典技術架構
5、機器學習編程開發
6、回歸案例:預測Bike sharing系統每小時自行車的出租次數
7、推薦系統概述及效果評估方式
8、協同過濾算法
9、交替最小二乘法
1、了解機器學習、深度學習和人工智能區別
2、熟悉Spark Mllib中的機器學習類庫
3、掌握機器學習編程開發步驟
4、理解推薦系統
5、掌握推薦系統的兩類金典算法及使用
可以全面掌握Spark MLlib機器學習,進而能夠在實際工作中進行MLlib的應用開發和定制開發。

5大階段,40+課程,16+經典案例,4大商業項目實戰 實現向人工智能的華麗轉型

課程時長:約66天,每天不低于6小時 授課方式:線下面授 + 翻轉課堂(部分課程結合平臺在線課程)

階段六:綜合項目演練篇

此階段為我們整個課程的第六階段

  • 重要程度:
  • 難度級別:
序號 項目名稱 項目介紹 時長/周期 技術關鍵字
01 項目實戰一:基于FP-growth算法實現的新聞網站流量點擊分析系統 在新聞網站上,一個會用戶不斷點擊和瀏覽各種新聞報道,最終該用戶的這些點擊會被記錄下來,成為該用戶點擊的歷史記錄。而所有用戶的點擊歷史記錄,是一個蘊含了巨大價值的數據集。我們可以從各個角度,使用不同的方法來進行有價值的挖掘,并應用到不同的任務中去。
本項目就是從用戶點擊的歷史記錄中,挖掘頻繁項集,以便知道哪些新聞報道是經常關聯在一起的。從而為網站的新聞版面排版,新聞推薦等提供科學的參考。主要涉及到FP-growth、FP-tree等算法的綜合運用
1天 1、項目背景
2、 FP-growth算法的原理
3、Python代碼實現
02 項目實戰二:基于聚類(Kmeans)算法實現的客戶價值分析系統 客戶價值分析其實就是一個客戶分群問題。是以客戶為中心,先從客戶需求出發,搞清楚客戶需要什么,他們有怎么樣的一個特征,他們需要什么樣的產品,然后我們再回頭設計出相應的產品,以滿足客戶的需求。
之所以要進行客戶價值分析,就是商家為了避免閉門造車,主觀臆斷客戶需要什么什么什么。隨著數據量不斷增大,傳統的拍腦袋做決定的決策方式,變得越來越過時了。
那具體到我們這個項目呢,我們這個項目的背景是某電信運營商,該運營商需要以客戶為中心,按照客戶的需求,在對客戶特點的了解上,推出不同的資費套餐和營銷手段,以便更好地留住現有客戶,吸引新的客戶。
1天 1、項目背景
2、聚類模型算法簡介
3、kmeans算法原理
4、kmeans算法Python代碼實現
5、kmeans算法優化
03 項目實戰三:基于LVD、貝葉斯模型算法實現的電商行業商品評論與情感分析案例實戰 現在大家進行網購,在購物之前呢,肯定會看下相關商品的評論,看下好評和差評,然后再綜合衡量,最后才會決定是否購買相關的商品。甚至有不少的消費者已經不看商品詳情描述頁了,而是直接看評論,然后決定是否下單。商品評論已經是用戶決策最為核心的考量因素了。
那么生產商或者賣家呢,其實他們也會根據評論里講到的一些要點,比如說有哪些優點,可以繼續發揚;又有哪些缺點,今后可以做繼續的改善。
那么我們這次的課程,也是對商品好評和差評的情況,做一個分析。并提取出關鍵詞來,幫助我們快速地了解一件商品的好和不好的地方。課程涉及的經典算法是:LDA及貝葉斯模型
1天 1、LDA主題模型
2、SVD算法
3、LDA模型調優
4、貝葉斯模型
04 項目實戰四:基于SVD協同過濾算法實現的電影推薦系統 協同過濾推薦技術是推薦系統中應用最早和最為成功的技術之一。它一般采用最近鄰技術,利用用戶的歷史喜好信息計算用戶之間的距離,然后 利用目標用戶的最近鄰居用戶對商品評價的加權評價值來預測目標用戶對特定商品的喜好程度,系統從而根據這一喜好程度來對目標用戶進行推薦。協同過濾最大優 點是對推薦對象沒有特殊的要求,能處理非結構化的復雜對象,如音樂、電影。
協同過濾是基于這樣的假設:為一用戶找到他真正感興趣的內容的好方法是首先找到與此用戶有相似興趣的其他用戶,然后將他們感興趣的內容推薦給此用戶。其基本 思想非常易于理解,在日常生活中,我們往往會利用好朋友的推薦來進行一些選擇。協同過濾正是把這一思想運用到電子商務推薦系統中來,基于其他用戶對某一內 容的評價來向目標用戶進行推薦。
本課程系結合Kaggle競賽中的電影推薦賽題,詳細介紹經典推薦系統算法,例如SVD矩陣分解和協同過濾等
2天 1、協同過濾算法
2、推薦系統
3、SVD矩陣分解
4、sk-learn框架
5、tensonflow
6、數據的獲取、過濾、清洗、處理全過程
05 項目實戰五:基于OpenCV、隨機森林算法實現的圖像分類識別系統 該系統針對圖片分類問題進行分析和討論,旨在提取圖片中的臉部輪廓,利用圖像的詳細信息對比不同圖片中的相似度,從而實現對相冊圖片的自動分類管理。利用OpenCV中提供的圖像檢測和圖像識別的功能,即使用哈爾小波變換(Haar)和Adaboosting算法進行檢測,找出圖片中特定區域,進而使用局部二進制模式直方圖(LBPH)對人臉進行預測,獲得兩張圖片之間的相似度,依照目錄整理后,可達到圖片按圖片分類的效果。在此基礎上設計用戶操作界面,實現簡易、快捷的操作。軟件測試結果表明,該軟件圖像檢測和圖像匹配的成功率較高,為生活提供了便利。 2天 一、 涉及算法:
1、 OpenCV
2、邏輯回歸
3、支持向量機(SVM)
4、隨機森林
二、 評估模型指標:
1、精確度(Precision)
2、召回率(Recall)
3、F1值(F1 score)
三、涉及數據的獲取、過濾、清洗、處理信全過程
06 項目實戰六:基于NLP自然語言構建的文檔自動分類系統 隨著互聯網技術的迅速發展與普及,如何對浩如煙海的數據進行分類、組織和管理,已經成為一個具有重要用途的研究課題。而在這些數據中,文本分類有著廣泛的應用場景,例如: 新聞網站包含大量報道文章,基于文章內容,需要將這些文章按題材進行自動分類。 在電子商務網站,用戶進行了交易行為后對商品進行評價分類,商家需要對用戶的評價劃分為正面評價和負面評價,來獲取各個商品的用戶反饋統計情況。 電子郵箱頻繁接收到垃圾廣告信息,通過文本分類技術從眾多的郵件中識別垃圾郵件并過濾,提高了郵箱用戶的使用效率。 媒體每日有大量投稿,依靠文本分類技術能夠對文章進行自動審核,標記投稿中的色情、暴力、政治、垃圾廣告等違規內容。 本項目屬于文本挖掘(自然語言處理NLP)領域的一個經典應用案例,項目目標是開發一個算法,能自動的對給定的每一篇文章進行頻道分類,例如分為“愛情類”,“武俠類”,“倫理類”等。涉及到的新技術會包含中文分詞,TF-IDF算法,Word2Vec算法等,最后還是會通過機器學習的分類算法來實現自動分類。 1天 1、自然語言處理(NLP)
2、Word2Vec算法
3、TF-IDF算法
4、文本挖掘技術
5、分類算法
6、數據的獲取、過濾、清洗、處理信全過程
07 項目實戰七:Kaggle經典AI項目:預測房價系統全程實戰 這是一個基于Kaggle競賽的一個實際項目。Kaggle 的房價預測競賽從 2016 年 8 月開始,到 2017 年 2 月結束。這段時間內,超過 2000 多人參與比賽,選手采用高級回歸技術,基于我們給出的 79 個特征,對房屋的售價進行了準確的預測。我們課程主要介紹的是目前得票數最高的優勝方案:《用 Python 進行全面數據探索》,該方案在數據探索,特征工程上都有十分出色的表現。 1天 1、方差篩選法
2、高程對相關性去除
3、Filter過濾法
4、Wrapper包裝法
5、Embedded嵌入法
08 項目實戰八: 基于RFM模型實現的零售精準營銷響應預測系統 項目背景:零售行業中,商家可以搜集到顧客完整的消費記錄,如何從中挖掘客戶的消費特征和價值,以及如何有針對性的對客戶進行精準營銷,這是商家最關注的問題,也是CRM的核心應用場景。
業務目標:如何評估客戶價值、如何篩選最優質的客戶進行精準營銷、預測客戶的營銷響應度
涉及算法:
-邏輯回歸
-決策樹
-支持向量機
-隨機森林
1天 分類模型算法:
1-邏輯回歸
2-決策樹
3-支持向量機
4-隨機森林
5-......
模型訓練與評估:
1-變量重要性分析
2-模型訓練
3-模型評估和選擇
09 項目實戰九:天貓、京東電商 雙11 實時商品推薦展示分析平臺 對于電商、金融、電信、交通等行業,需要對用戶購物數據、現金消費數據、上網瀏覽數據及路況狀態數據進行實時統計分析與展示,以便實時商品推薦和貨量調度、實時交易風控及實時交通監控和疏導。由于此類數據產生快且多,業務本身需要數據產生之時就要進行實時快速的處理,以便進行展示。當前大數據分析技術框架中,實時流式計算框架Strom和SparkStreaming被逐漸使用,比如電商公司的銷售營業額的實時統計(Storm/JStorm),蘇寧順豐的物流實時追蹤監控(SparkStreaming)等都是實時的數據分析處理。 2天 業務數據:
銀行信用卡實時消費數據
電商(淘寶、餓了么等)實時訂單數據
門戶網站的廣告實時點擊數據
業務技術:
訂單數據通過自定義SDK將數據存儲到KAFKA TOPIC
Spark實時從KAFKA TOPIC中接收數據,進行實時訂單銷售額統計,繼而將結果存到Redis內存數據庫中,以便Web前端可是異步實時的刷新頁面獲取銷售額實時展示
廣告點擊數據寫入日志文件中,通過Flume實時的收集到KAFKA的TOPIC
SparkStreaming實時接收KAFKA中數據,進行實時窗口范圍內數據分析,將數據存儲到RDBMS表中,前端異步刷新進行展示
采用Echarts進行實時展示
10 項目實戰十:基于Mahout、Spark Mlib實現的推薦系統(電影推薦、社交推薦) 推薦系統是大數據中最常見和最容易理解的應用之一,最著名的應用恐怕就是亞馬遜公司的推薦引擎,其為瀏覽Amazon.com網站的用戶提供個性化的內容。但是不僅僅只有電子商務公司會用推薦引擎為用戶提供額外的商品,推薦系統也可以被用在其他行業,以及具有不同的應用中使用,從推薦音樂、活動、產品到約會對象。本課程主要講述了大數據環境的下推薦系統從零搭建的全過程,通過兩個項目實現全程內容貫穿,主要課程目標如下:
目標一:掌握推薦系統的原理
目標二:能夠基于mahout、spark MLlib進行推薦系統的開發
2天 1.項目背景概述
2.推薦系統概述
3.結合實例講解算法的應用
4.集群環境的講解
5.社交推薦實戰
6.電影推薦講解
7.課程總結
11 商業項目實戰-01:基于AI人臉識別技術實現的“仿美顏相機-自拍坊”企業級應用 本課程是由十幾年工作經驗的一線資深軟件開發工程師、人工智能應用開發工程師將自己在實際工作中涉及到的項目拿出來為大家做的一個分享,模仿了:美顏像機自拍加特效的核心功能實現,是一個有料有趣的應用,項目雖小,但功能技術點確非常的多,包括但不限于:人臉識別技術應用、攝像頭的控制、圖像庫的處理,GitHub的使用等 。代碼略加改造即可應用在實際工業生產項目中,可以講是一個集趣味,技術,算法與商業應用為一體的課程,具有很高的實用價值! 1天 課程主要包括以下內容:
1. 實例展示 (雙擊運行程序,打開攝像頭,識別到人臉,添加墨鏡、胡須特效)
2. 環境搭建(安裝 git, python, 依賴等)
3. Git 以及 github 介紹,編程工作流介紹(如何管理代碼,提交代碼等;簡單測試代碼編寫演示)
4. 寫一個打開攝像頭、并且將畫面顯示在窗口上的程序
5. 識別人臉位置,并在人臉位置處畫一個方框
6. 識別臉的的輪廓,并標注出特征點(眼睛、鼻子、嘴巴)
7. python 圖形圖像處理庫的介紹
8. 圖像的疊加詳解
9. 在人臉識別基礎上,在眼睛處添加一個墨鏡效果
10. 在人臉識別基礎上,在鼻子下嘴巴上添加一個胡須效果
12 商業項目實戰-02:基于深度學習的CT圖像肺結節自動檢測技術(深度學習在醫療行業的實踐應用\CPU、GPU兩套運行環境) 傳統醫療圖像檢測的問題:根據相關研究表明:中國每年醫學影像增速達到了30%,而放射科醫生的年增長率僅為4.1%, 遠遠低于影像數據的增長,需求缺口不斷加大,醫生數量的不足導致工作量繁重,超負荷工作也會導致誤診率和漏診率提高。
AI的優勢:高效性:人工智能能夠快速完成初篩,交由醫生進行判斷,能夠大幅縮短醫生閱片時間。全面性。一張圖片醫生會根據經驗挑重點可疑區域來現察.而機器可以完整地觀察整張切片而無遺漏;穩定性。機器不需要休息,不會受到疲勞狀態影響。其診斷結果能保持完全的客觀、穩定和復現。
本課程是由一線的深度學習工程師結合實際商業醫療的應用場所景給出的一套解決方案,涉及大量的深度學習技術,并給出了CPU、GPU兩套運行環境,具有非常強的學習與商業應用價值!
2天 課程涉及的主要技術與算法:
- Python圖像處理庫的使用: opencv, scikit-image
- Python醫學影像處理庫的使用: pydicom,SimpleITK
- Python深度學習框架的使用: Keras, Tensorflow
- 卷積神經網絡的基本訓練技巧
- 卷積神經網絡的基本調參技巧
下載全部課程表

上海市普陀區中山北路3553號4樓

Copyright © 2008-2018 上海容大教育培訓有限公司 備案號:滬ICP備12015846號-1

賬號登錄
手機號快捷登錄
還沒有賬號, 現在 注冊
資料下載

人工智能+大數據 全棧開發工程師 課程大綱 .pdf

广西快三是骗人的吗