报名机器深度学习课程能学到什么？

• 回归算法理论与实战
• 决策树算法理论与实战
• 集成学习算法理论与实战
• KNN算法和决策树算法理论与实战
• 聚类算法理论与实战
• 神经网络算法
• Tensorflow
• 生成式对抗网络GANs

  算法与机器学习常见应用场景

  • 某影视公司希望对电影票房进行预测
  • 某企业希望建立人脸／识别考勤系统
  • 某出版社希望对图书销量进行预测
  • 网约车企业希望对出行流量进行预测
  • 金融行业希望对现有客户做贷款风险评估
  • 医疗机构希望根据患者数据生成辅助诊断处置模型
  • 某手机品牌希望进一步提升手写输入正确率
  • 某婚恋网站希望对网站会员数据进行分类
  • 
    

算法与机器学习常见问题

• 如何选择特征
• 梯度下降的优缺点
• 为什么要用逻辑回归
• 如何处理数据缺失问题
• 如何处理维度灾难？
• 如何解决过拟合问题
• 如何处理样本非均衡问题
• 决策树算法是按什么来进行分类的？

• SVM中rbf核函数与高斯和函数的比较
• SVM为啥要引入拉格朗日的优化方法
• 关联分析中的极大频繁项集；FP增长算法
• 线性分类器与非线性分类器的区别及优劣
• 特征比数据量还大时，选择什么样的分类器

• 对于维度极低的特征，你是选择线性还是非线性分类器
• 对于维度很高的特征，你是选择线性还是非线性分类器
• L1和L2正则的区别，如何选择L1和L2正则
• 什么是降维，优缺点是什么，有哪些降维方法？
• 余弦相似度（Cos距离）与欧氏距离的区别和联系

机器算法深度学习与实战课程大纲

上午机器学习简介
1.一元线性回归	2.代价函数
3.使用梯度下降法实现一元线性回归	4.标准方程法
5.使用sklearn实现一元线性回归	6.使用sklearn实现多元线性回归
7.使用sklearn实现岭回归	8.使用sklearn实现LASSO回归
下午决策树与集成学习理论与实战
1.sklearn实现决策树	2.决策树-CART算法
3.决策树应用	4.随机森林
KNN与聚类理论与实战
5.sklearn实现knn算法完成iris数据集分类	6.k-means算法
7.DBSCAN算法
上午神经网络算法
1.神经网络基本原理	2.单层感知机
3.线性神经网络	4.激活函数，损失函数和梯度下降法
5.线性神经网络异或问题	6.BP神经网络介绍
7.BP算法推导	8.BP神经网络解决异或问题
9.BP算法完成手写数字识别	10.sklearn-BP神经网络解决手写数字识别
11.GOOGLE神经网络平台
下午Tensorflow2.0
1.深度学习框架介绍	2.Tensorflow安装
3.Tensorlfow基础知识	4.Tensorflow线性回归
5.Tensorflow非线性回归	6.Mnist数据集合Softmax讲解
7.使用BP神经网络搭建手写数字识别	8.交叉熵(cross-entropy)讲解和使用
9.过拟合,正则化,Dropout	10.各种优化器Optimizer
11.改进手写数字识别网络	12.卷积神经网络CNN的介绍
13.使用CNN解决手写数字识别	14.长短时记忆网络LSTM介绍
15.LSTM的使用	16.模型保存与载入
上午图像识别项目
1.介绍Google图像识别模型Inception-v3	2.使用Inception-v3做图像识别
3.训练自己的图像识别模型
验证码识别项目
4.多任务学习介绍	5.生存验证码图片
6.构建验证码识别模型
下午Kease 最佳实践
1.安装和配置Keras,API	2.回调函数与自定义训练过程
3.深度神经网络DCNN实现	4.采用深度学习算法识别CIFRA-10图片
5.调节参数来改善性能

[1]