课程简介
本课程重点讲解深度学习的模型,包括CNN卷积神经网络、RNN循环神经网络(LSTM)模型的算法及其应用、Connectionist Temporal Classification算法及其应用,如GoogleNet,Fully Convolutional Networks模型深入理解与应用,以及深度学习训练数据集的准备,深度学习的发展趋势,文字检测与识别算法的发展历程,以及文本分析在深度学习技术下的新应用。在深度学习实践方面,本课程基于SK-learn和Tensorflow深度学平台开展实践教学,对算法的具体内涵和应用场景进行深度剖析和讲解。
本课程在实践方面,结合Python SK-learn、TensorFlow实现深度学习实践。
课程收益
1、了解机器学习系统
2、了解机器学习框架
3、掌握机器学习框架使用
4、掌握深度学习Tensorflow框架
课程特点
通过理论与实践相结合的方式,使用python语言作为主线,贯穿机器学习算法、框架,深度学习框架,人工智能,以实战出发,动手练习操作,现场问答,提升其行动学习能力:
采用“知识地图”形成持续学习网络
知识地图”分共三级:一级是领域知识一览图(思维导图);二级是高度提炼的知识内容要点(PPT);三级是中外优质资源的知识原文出处(网站链接) 。
通过 “知识地图”,帮助学员构建持续学习网络,使其对大数据架构“领域知识”一览无余,“前沿动态”实时掌握!
通过“沙盘演练”在实战中学习
课堂没有冗长乏味的理论讲授,而是通过“沙盘演练”,用实战串讲知识,用演练提升能力,帮助学员迅速从“初出茅庐”的新兵成长为“身经百战”的长胜将军,并具备在行动中学习的能力。
本课程对应上机环境提供VMware虚拟机现场试验
课程对象
数据分析数据挖掘相关人员
对人工智能感兴趣的人员
学员基础
具备初步的IT基础知识
具备linux操作经验(不做强制性要求)
培训大纲
时间 | 内 容 | 案例实践与练习 | |
Day1 上午 | 第一篇 机器学习 | 大数据介绍 机器学习、人工智能及深度学习趋势介绍 深度学习、深度学习框架介绍 四、开发语言与深度学习 五、流行开发语言Python与机器学习渊源 六、机器学习环境搭建 | 案例研讨: 大数据分析与机器学习、人工智能及深度学习 |
Day1 下午 | 第二篇 机器学习系统架构 | 一、Python编程技巧与技能提升 二、Python科学计算库应用 三、数据可视化与数据呈现 四、数据处理与数据清洗 五、实战一:数据处理实战 | 案例研讨: Pyhton程序与数据处理
|
Day2 上午 | 第三篇 大数据分析Spark MLlib | 一、机器学习算介绍 二、算法与应用讲解 三、SK-learn机器学习库讲解 四、SK-learn机器学习与算法应用 五、数据、算法、框架应用 六、公用数据使用技巧 | 案例研讨: 算法学习、框架学习 |
Day2 下午 | 第四篇 大数据分析Spark接口 | 一、算法理解与分析 二、Python编写算法及优化算法 三、机器学习算法应用 四、案例:机器学习算法案例一 五、案例:模型建模案例分享二 | 案例练习: 机器学习库与算法训练 |
Day3 上午 | 第五篇 深度学习 | 一、深度学习与TensorFlow简介 二、TensorFlowOnSpark简介 三、卷积神经网络简介 四、TensorFlow实现卷积神经网络 五、循环神经网络简介 六、TensorFlow实现循环神经网络 | 案例研讨: 大数据分析与深度学习关系? |
Day3 下午 | 第六篇 深度学习与人工智能 | 一、人工智能简介 二、人工智能趋势及关键技术 三、openCV图像处理 四、案例:深度学习与人脸识别 五、案例:深度学习高级应用案例 | 案例研讨: 结合业务深度学习应用场景设计,老师针对方案点评评比及后续建议
|