北京Python人工智能課程輔導(dǎo)培訓(xùn) 2023-06-26 11:17:37

人工智能概述

章節(jié)

教學(xué)重點

案例

人工智能概述

1.     AI的社會認(rèn)知

2.     人工智能技術(shù)的發(fā)展史

3.     人工智能技術(shù)的應(yīng)用方向與應(yīng)用場景

4.     人工智能的發(fā)展戰(zhàn)略

5.     人工智能現(xiàn)有的問題

6.     人工智能的未來

無

人工智能數(shù)學(xué)基礎(chǔ)

章節(jié)

教學(xué)重點

案例

2.1線性代數(shù)

1.     矩陣

2.     線性變換

3.     特殊矩陣

4.     矩陣分解

代碼實現(xiàn)矩陣，線性變換等效果

2.2概率論

1.     隨機(jī)變量

2.       概率分布

3.       邊緣概率

4.       條件概率

5.       獨立性和條件獨立性

6.       期望、方差和協(xié)方差

7.       常用概率分布

8.       貝葉斯規(guī)則

9.       連續(xù)型變量

10. 信息論

11. 結(jié)構(gòu)化概率模型

概率圖形化界面分析

2.3數(shù)值計算

1.       上溢和下溢

2.       病態(tài)條件

3.       基于梯度的優(yōu)化方法

4.       約束優(yōu)化

最小二乘法實現(xiàn)

機(jī)器學(xué)習(xí)

章節(jié)

教學(xué)重點

案例

3.1機(jī)器學(xué)習(xí)概述

1.       機(jī)器學(xué)習(xí)發(fā)展史

2.       機(jī)器學(xué)習(xí)的應(yīng)用場景介紹

3.       機(jī)器學(xué)習(xí)現(xiàn)有的問題

4.       機(jī)器學(xué)習(xí)的未來前景

5.       機(jī)器學(xué)習(xí)的分類

6.       機(jī)器學(xué)習(xí)的整體流程

無

3.2機(jī)器學(xué)習(xí)—k近鄰算法

1.       KNN算法綜述

2.       數(shù)據(jù)預(yù)處理

3.       Sklearn庫的使用

4.       評估方案

1.   電影分類

2.   約會網(wǎng)站匹配

3.   信用卡欺詐檢測

3.3決策樹構(gòu)造

1.       決策樹原理概述

2.       熵、互信息

3.       ID3、C4.5、Gini算法

4.       預(yù)剪枝、后剪枝

5.       決策樹構(gòu)造實例

葡萄酒數(shù)據(jù)集的決策樹

3.4支持向量機(jī)

1.       SVM原理

2.       算法推導(dǎo)

3.       拉格朗日對偶函數(shù)

4.       SVM中的核函數(shù)

5.       SVM中的重要參數(shù)

1.   SVM實現(xiàn)二分類

2.   SVM進(jìn)行人臉識別

3.5貝葉斯算法

1.       貝葉斯算法概述

2.       貝葉斯算法推導(dǎo)實例

3.       條件概率

4.       高斯貝葉斯

5.       多項式貝葉斯

6.       伯努利貝葉斯

7.       EM算法原理

8.       EM算法推導(dǎo)

1.   拼寫糾錯

2.   垃圾郵件過濾實例

3.   新聞分類實例

3.6線性回歸算法

1.       算法推導(dǎo)與案例

2.       線性回歸算法概述

3.       誤差項分析

4.       梯度下降原理

5.       標(biāo)準(zhǔn)方程組

6.       似然函數(shù)求解

7.       目標(biāo)函數(shù)推導(dǎo)

8.       線性回歸求解

9.       嶺回歸和正則化

10. 彈性網(wǎng)回歸

1.   一元線性回歸實現(xiàn)

2.   多元線性回歸實現(xiàn)

3.   嶺回顧實現(xiàn)

3.7邏輯回歸算法

1.       邏輯回歸算法原理推導(dǎo)

2.       邏輯回歸求解

3.       邏輯回歸多分類解決方案

邏輯回歸代碼實現(xiàn)

3.8Kmeans聚類算法及DBSCAN聚類算法

1.       Kmeans算法與工作流程

2.       Kmeans迭代迭代可視化展示

3.       DBSCAN算法與工作流程

4.       DBSCAN可視化展示

5.       多種聚類算法概述

聚類實例

3.9降維算法

1.       線性判別分析

2.       線性判別求解

3.       PCA主成分分析

4.       PCA降維概述

5.       PCA優(yōu)化的目標(biāo)

6.       PCA求解

量化投資策略

3.10隨機(jī)森林與集成算法

1.       集成算法-隨機(jī)森林

2.       特征重要性衡量

3.       提升模型

4.       堆疊模型

集成算法代碼實戰(zhàn)與隨機(jī)森林代碼實戰(zhàn)

3.11機(jī)器學(xué)習(xí)高難度算法XGBOOST

1.       XGBOOST算法概述

2.       XGBOOST模型構(gòu)造

3.       建模衡量標(biāo)準(zhǔn)

4.       XGBOOST安裝

5.       參數(shù)定義與基礎(chǔ)模型定義

6.       樹結(jié)構(gòu)對結(jié)果的影響

7.       學(xué)習(xí)率與采樣對結(jié)果影響

京東購買意向預(yù)測

3.12推薦系統(tǒng)

1.       推薦系統(tǒng)簡介

2.       關(guān)聯(lián)規(guī)則

3.       相似度計算

4.       基于用戶的協(xié)同過濾

5.       基于物品的系統(tǒng)過濾

1.   信息流個性化推薦

2.   廣告精準(zhǔn)投放

深度學(xué)習(xí)

章節(jié)

教學(xué)重點

案例

4.1深度學(xué)習(xí)概述與基礎(chǔ)

1.       深度學(xué)習(xí)概述

2.       得分函數(shù)

3.       損失函數(shù)

4.       正則化懲罰

5.       SOFTMAX分類器

6.       最優(yōu)化解釋

7.       反向傳播

無

4.2神經(jīng)網(wǎng)絡(luò)

1.       感知機(jī)模型

2.       神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.       簡單的神經(jīng)網(wǎng)絡(luò)實現(xiàn)

4.       簡單單層神經(jīng)網(wǎng)絡(luò)實現(xiàn)

手寫數(shù)字圖片與預(yù)測手寫數(shù)字圖片

4.3卷積神經(jīng)網(wǎng)絡(luò)

1.       卷積神經(jīng)網(wǎng)絡(luò)介紹

2.       單卷積核與多卷積核

3.       圖像不變性

4.       局部感知與參數(shù)共享

5.       卷積網(wǎng)絡(luò)結(jié)構(gòu)

6.       卷積層，池化層與全連接層

7.       ImageNet

8.       AlexNet

9.       VGGNet

10. GoogleNet

11. ResNet

12. SENet

1.   識別手寫數(shù)字圖片

2.   鮮花識別

4.4卷積神經(jīng)網(wǎng)絡(luò)細(xì)節(jié)

1.       數(shù)據(jù)增強(qiáng)策略

2.       遷移學(xué)習(xí)

3.       網(wǎng)絡(luò)設(shè)計技巧

4.       經(jīng)典網(wǎng)絡(luò)架構(gòu)

5.       分類與回歸任務(wù)

6.       三代物體檢測

車牌識別

4.5Tensorboard可視化展示

1.       可視化展示

2.       展示效果

3.       統(tǒng)計可視化

4.       參數(shù)對結(jié)果的影響

無

4.6 tfrecord制作數(shù)據(jù)源

1.       生成自己的數(shù)據(jù)集

2.       讀取數(shù)據(jù)

3.       生成數(shù)據(jù)源

4.       加載數(shù)據(jù)進(jìn)行分類任務(wù)

無

4.7驗證識別任務(wù)

1.        驗證碼數(shù)據(jù)生成

2.        構(gòu)造網(wǎng)絡(luò)輸入數(shù)據(jù)和標(biāo)簽

3.        卷積網(wǎng)絡(luò)模型定義

4.        迭代測試網(wǎng)絡(luò)效果

驗證碼實現(xiàn)

4.8RESNET殘差網(wǎng)絡(luò)

1.        RESNET網(wǎng)絡(luò)原理

2.        網(wǎng)絡(luò)流程設(shè)計

3.        實現(xiàn)細(xì)節(jié)

RESNE實現(xiàn)

4.9循環(huán)神經(jīng)網(wǎng)絡(luò)與文本損失函數(shù)

1.        循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.        循環(huán)單元

3.        輸出模式

4.        循環(huán)神經(jīng)網(wǎng)絡(luò)的反向傳播

預(yù)測時間序列

4.10網(wǎng)絡(luò)優(yōu)化與神經(jīng)網(wǎng)絡(luò)模型

1.       網(wǎng)絡(luò)參數(shù)優(yōu)化

2.       網(wǎng)絡(luò)模型優(yōu)化

3.       圖片識別器

圖片生成器實現(xiàn)

4.11對抗神經(jīng)網(wǎng)絡(luò)

1.     對抗神經(jīng)網(wǎng)絡(luò)原理概述

2.     GAM網(wǎng)絡(luò)結(jié)構(gòu)定義

3.     迭代生成

4.     DCGAN網(wǎng)絡(luò)特性

5.     DCGAN訓(xùn)練

使用對抗網(wǎng)絡(luò)生成圖片

TensorFlow框架

章節(jié)

教學(xué)重點

案例

5.1 TensorFlow概述

1.       Tensor的簡介

2.       特點

3.       應(yīng)用場景

4.       如何選擇正確的TensoFlow版本

5.       系統(tǒng)環(huán)境變量的設(shè)置

無

5.2基礎(chǔ)操作

1.     數(shù)據(jù)類型

2.     創(chuàng)建tensor

3.     索引和切片

4.     維度變換

5.     Broadingcasting

6.       數(shù)學(xué)運算

神經(jīng)網(wǎng)絡(luò)層的實現(xiàn)

5.3高階操作

1.       合并和分割

2.       數(shù)據(jù)統(tǒng)計

3.       張量排序

4.       填充和復(fù)制

5.       張量限幅

房價預(yù)測

5.4Keras

1.     Keras優(yōu)勢

2.     安裝

3.     符號計算

4.     張量

5.     數(shù)據(jù)格式

6.     模型

7.     高層接口使用

使用Keras搭建一個神經(jīng)網(wǎng)絡(luò)

5.5TensorFlow實驗

1.     數(shù)據(jù)集的獲取

2.     數(shù)據(jù)預(yù)處理

3.     特征工程

4.     模型的創(chuàng)建

5.     模型保存

6.     模型使用

1.   手寫字體圖像識別

2.   汽車油耗里程數(shù)回歸預(yù)測

3.   貓狗識別

計算機(jī)視覺

章節(jié)

教學(xué)重點

案例

6.1計算機(jī)視覺概覽及GUI特性

1.     概念與應(yīng)用

2.     計算機(jī)視覺與人工智能

3.     圖像的讀取、顯示、保存

4.     視頻的讀取、顯示、保存

5.     圖像的繪制函數(shù)

創(chuàng)建畫板、繪制各種圖形

6.2基本操作

1.     獲取圖像像素值及修改

2.     圖像信息獲取

3.     圖像的ROI

4.     圖像通道的拆分及合并

5.     圖像上的算術(shù)運算

6.     程序性能檢測及優(yōu)化

將一幅圖平滑的轉(zhuǎn)換成另一幅圖

6.3OpenCV中的圖像處理

1.     顏色空間轉(zhuǎn)換

2.     幾何變換

3.     圖像閾值設(shè)定

4.     圖像平滑

5.     形態(tài)學(xué)轉(zhuǎn)換

6.     圖像梯度

實現(xiàn)一張圖像的縮放、平移、旋轉(zhuǎn)

6.4邊緣檢測

1.     噪聲去除

2.     圖像金字塔

3.     輪廓處理

4.     直方圖

5.     模糊匹配

6.     圖像分割

1.   實現(xiàn)圖像的上點繪制不同的顏色

2.   匹配帶有字符或者數(shù)字的圖片

6.5特性特征值提取與描述

1.     圖像特征理解

2.     Harris角點檢測

3.     SIFIS算法

4.     SURF

5.     FAST算法

6.     ORB算法

7.     特征匹配

將圖像中檢測的目標(biāo)圖像進(jìn)行標(biāo)記

6.6視頻分析

1.     通過Meanshift、Camshift算法對視頻進(jìn)行目標(biāo)跟蹤

2.     光流應(yīng)用

3.     背景減除

對視頻中的目標(biāo)進(jìn)行跟蹤

6.7攝像機(jī)標(biāo)定和3D重構(gòu)

1.     攝像機(jī)標(biāo)定概述

2.     畸形校正

3.     反向投影誤差

4.     姿勢估計

5.     對積幾何

6.     力圖圖像中的深度地圖

1.   實現(xiàn)在圖像中創(chuàng)建3D效果

2.   實現(xiàn)立體圖像制作深度地圖

6.8計算攝影學(xué)

1.     圖像去燥

2.     圖像修補(bǔ)

3.     對象檢測

實現(xiàn)面部檢測

語音處理

章節(jié)

教學(xué)重點

案例

7.1語音處理概述

1.     語音處理

2.     特征處理方法

3.     語音識別

4.     語音合成

5.       語音信號

語音預(yù)處理的實現(xiàn)

7.2傳統(tǒng)語音模型

1.     高斯混合模型

2.     隱馬爾科夫模型

3.       高斯混合模型-隱馬爾科夫模型

無

7.3深度模型和混合模型

1.     深度神經(jīng)網(wǎng)絡(luò)

2.     深度神經(jīng)網(wǎng)絡(luò)-隱馬爾科夫模型

3.     CD-DNN-HMM

語音識別實現(xiàn)

7.4高級語音模型

1.       循環(huán)神經(jīng)網(wǎng)絡(luò)

2.       長短期記憶網(wǎng)絡(luò)

無

自然語言處理

章節(jié)

教學(xué)重點

案例

8.1自然語言處理介紹

1.     語言模型

2.     N - gram語言模型

3.     文本向量化

4.     word2vec - CBOW

5.     word2vec - Skip-gram

6.     doc2vec - DM

7.       doc2vec - DBOW

1.智能搜索引擎實現(xiàn)

2.對話機(jī)器人

8.2常用算法

1.     HMM

2.     條件隨機(jī)場

3.     LSTM

4.       GRU

LSTM實現(xiàn)情感分析

8.3關(guān)鍵技術(shù)

1.     分詞

2.     詞性標(biāo)注

3.     命名實體識別

4.     關(guān)鍵詞提取

5.     句法分析

6.     語義分析

7.     文本分類

8.     文本聚類

9.     機(jī)器翻譯

10. 問答系統(tǒng)

11. 信息過濾

12. 自動文摘

13. 信息抽取

14. 輿情分析

15. 機(jī)器寫作

機(jī)器人寫詩

8.4機(jī)器翻譯框架-NMT

1.     機(jī)器翻譯框架概述

2.     Attention機(jī)制

3.     數(shù)據(jù)準(zhǔn)備

4.     參數(shù)設(shè)置

5.     數(shù)據(jù)加載

6.     網(wǎng)絡(luò)結(jié)構(gòu)定義

7.       模型訓(xùn)練

NMT實現(xiàn)翻譯功能

8.5強(qiáng)化學(xué)習(xí)

1.       強(qiáng)化學(xué)習(xí)基本概念

2.       馬爾科夫決策過程

3.       BELLMAN方程

4.       值迭代求解

5.       Qlearning基本原理

6.       DQN網(wǎng)絡(luò)原理

讓AI自己玩游戲