大数据与人工智能实用培训课程-中心

大数据与人工智能实用培训课程

大数据与人工智能实用培训课程介绍：

本培训实践与理论并重，通过理论讲解，算法阐述，算法适用场景，实例分析和编码实践，以及对最新的人工智能算法的趋势和热点的分析和介绍，使学员不仅掌握机器学习，人工智能领域常用算法，而且可以在实战中应用机器学习人工智能解决工作中的实际问题，从而帮助企业在人工智能时代拔得头筹占得先机

大数据与人工智能培训课程大纲：

1人工智能和机器学习概述
人工智能发展史
应用场景概述：如图像识别，文本分析，推荐系统
最近成果概述：如强化学习，生成式对抗网络，基于低能量的网络，one-shot leaning
软件框架概述，如sparkML，sklean，tensorflow，caffe，Theano

2 线性回归
通过图形直观展示线性回归算法
线性回归算法详解—成本函数和参数更新函数
机器是怎么学习? --梯度下降算法详述
学的“快”和“好”--学习率的权衡与最佳实践
保持相同的“起跑线”的利器-Feature Scaling
多变量线性回归模型介绍
3 多项式回归模型
真实世界不全是线性的--如何应对更复杂的场景
过犹不及--模型的过分拟合和拟合不足
训练一个“恰好”模型的最佳实践
模型的优劣的评估

4 逻辑回归
逻辑回归模型和场景概述
线性匪类器与非线性分类器
激活函数的多种选择
cost function的变化
5 多分类的逻辑回归
one-hot encoding
两种多分类的方案
one-vs-all方案
soft-max方案
6分类算法：决策树
分类与聚类
决策树特点和原理
建立决策树
最佳划分的度量：信息熵的应用
模型的过分拟合和拟合不足
模型优劣的评估
7 组合方法
组合分类的基本原理
偏倚-方差分解
随机森林
袋装方法
8 聚类算法：K-means
监督学习和无监督学习比较
非监督模型场景举例
图形展示K-means的训练过程
两步实现K-means算法
K的选择问题
K-means算法导致局部最优及最佳实践