一、python基础学习 |
1.print使用 2.运算符和变量 3.循环 4.列表元组字典 5.if条件 6.函数 7.模块 8.类的使用 9.input用法 10.文件读写 11.异常处理 |
二、科学计算包numpy使用学习 |
1.numpy的属性 2.创建array 3.numpy的运算 4:随机数生成以及矩阵的运算 5.numpy的索引 6.array合并 7.array分割 |
三、绘图工具包matplotlib学习 |
1.基础用法 2.figure图像 3.设置坐标轴 4.legend图例 5.scatter散点图 |
四、数据分析库pandas使用学习 |
1.Series,DataFrame 2.选择数据 3.赋值及操作 4.读取及写入文件 5.合并 案例:处理丢失数据 |
五、人工智能与机器学习基础 |
1.人工智能概述 2.机器学习概述 3.机器学习算法应用分析 |
六、回归算法 |
1.一元线性回归 2.代价函数 3.梯度下降法 4.标准方程法 5.sklearn一元线性回归应用 6.多元线性回归 7.sklearn多元线性回归应用 8.非线性回归介绍 案例:葡萄酒质量和时间的关系 案例:波士顿房价预测项目 |
七、KNN分类算法 |
1.KNN分类算法介绍 2.KNN分类算法应用 3.KNN分类算法与应用实现 案例:鸢尾花分类 |
八、决策树算法 |
1.决策树-信息熵,ID3,C4.5算法介绍 2.sklearn实现决策树 3.决策树-CART算法 4.CART算法实践 5.决策树解决线性二分类问题 6.决策树解决非线性二分类问题 案例:叶子分类项目 案例:银行用户购买行为预测 |
九、集成算法与随机森林 |
1.Bagging介绍与使用 2.随机森林介绍与使用 3.Adaboost介绍与使用 4.Stacking和Voting介绍与使用 案例:用户流失分析 |
十、K-means聚类算法 |
1.K-means算法介绍 2.K-means算法应用 3.K-means算法实际应用案例 案例:NBA球队实力聚类分析 |
十一、支持向量机 |
1.SVM算法介绍与原理推导 2.支持向量的作用 3.核函数的作用 4.建模方法 案例:SVM完成人脸识别应用 |
十二、泰坦尼克号获救预测案例 |
1.缺失值填充 2.特征筛选 3.案例实战 |
十三、深度学习基础-神经网络介绍 |
1.人工神经网络发展史 2.单层感知器 3.激活函数,损失函数和梯度下降法 4.BP算法介绍 案例:BP算法解决手写数字识别问题 |
十四、Tensorflow基础应用
|
1.Tensorflow安装 2.Tensorlfow基础知识:图,变量,fetch,feed 3.Tensorflow线性回归 4.Tensorflow非线性回归 5.Mnist数据集合Softmax讲解 6.使用BP神经网络搭建手写数字识别 7.交叉熵(cross-entropy)讲解和使用 8.过拟合,正则化,Dropout 9.各种优化器Optimizer |
十五、卷积神经网络CNN应用 |
1.CNN卷积神经网络 2.卷积层、池化层(均值池化、******池化) 3.深度残差网络讲解 3.CNN实现MNIST数据集分类 4.CNN手写数字案例 |
十六、长短时记忆网络LSTM应用 |
1.RNN循环神经网络 2.RNN应用案例(MNIST图像分类) 3.长短时记忆网络LSTM 4.LSTM应用案例(MNIST图像分类) |
十七、Google图像识别模型inception-v3项目实战 |
1.使用训练好的inception-v3完成图像识别 2.用自己收集的数据训练图像识别模型 3.使用迁移学习完成图像分类 |
十八、文本分类项目实战 |
1.自然语言处理项目介绍 2.word2vec介绍及结果可视化 3.用CNN训练一个新的文本分类模型 4.用LSTM训练一个新的文本分类模型 |
十九、目标检测项目实战 |
1.目标检测项目简介 2.R-CNN模型详解 3.SPPNET模型详解 4.Fast-RCNN模型详解 5.Faster-RCNN模型详解 6.Tensorflow实现Faster-RCNN目标检测 7.测试目标检测模型效果、目标检测算法标签标注 |
二十、辅助课程 |
1.针对学员面对的实践问题展开讨论、方案建议 2.建立QQ群、微信群(课后免费技术指导) 3.配备机器学习和深度学习开发教材,便于课后逐步提高能力。 |
Copyright(C) Python机器学习与深度学习核心技术应用及项目实战培训班