北京Python人工智能课程培训

人工智能概述

章节

教学重点

案例

人工智能概述

1.     AI的社会认知

2.     人工智能技术的发展史

3.     人工智能技术的应用方向与应用场景

4.     人工智能的发展战略

5.     人工智能现有的问题

6.     人工智能的未来

无

人工智能数学基础

章节

教学重点

案例

2.1线性代数

1.     矩阵

2.     线性变换

3.     特殊矩阵

4.     矩阵分解

代码实现矩阵，线性变换等效果

2.2概率论

1.     随机变量

2.       概率分布

3.       边缘概率

4.       条件概率

5.       独立性和条件独立性

6.       期望、方差和协方差

7.       常用概率分布

8.       贝叶斯规则

9.       连续型变量

10. 信息论

11. 结构化概率模型

概率图形化界面分析

2.3数值计算

1.       上溢和下溢

2.       病态条件

3.       基于梯度的优化方法

4.       约束优化

最小二乘法实现

机器学习

章节

教学重点

案例

3.1机器学习概述

1.       机器学习发展史

2.       机器学习的应用场景介绍

3.       机器学习现有的问题

4.       机器学习的未来前景

5.       机器学习的分类

6.       机器学习的整体流程

无

3.2机器学习—k近邻算法

1.       KNN算法综述

2.       数据预处理

3.       Sklearn库的使用

4.       评估方案

1.   电影分类

2.   约会网站匹配

3.   信用卡欺诈检测

3.3决策树构造

1.       决策树原理概述

2.       熵、互信息

3.       ID3、C4.5、Gini算法

4.       预剪枝、后剪枝

5.       决策树构造实例

葡萄酒数据集的决策树

3.4支持向量机

1.       SVM原理

2.       算法推导

3.       拉格朗日对偶函数

4.       SVM中的核函数

5.       SVM中的重要参数

1.   SVM实现二分类

2.   SVM进行人脸识别

3.5贝叶斯算法

1.       贝叶斯算法概述

2.       贝叶斯算法推导实例

3.       条件概率

4.       高斯贝叶斯

5.       多项式贝叶斯

6.       伯努利贝叶斯

7.       EM算法原理

8.       EM算法推导

1.   拼写纠错

2.   垃圾邮件过滤实例

3.   新闻分类实例

3.6线性回归算法

1.       算法推导与案例

2.       线性回归算法概述

3.       误差项分析

4.       梯度下降原理

5.       标准方程组

6.       似然函数求解

7.       目标函数推导

8.       线性回归求解

9.       岭回归和正则化

10. 弹性网回归

1.   一元线性回归实现

2.   多元线性回归实现

3.   岭回顾实现

3.7逻辑回归算法

1.       逻辑回归算法原理推导

2.       逻辑回归求解

3.       逻辑回归多分类解决方案

逻辑回归代码实现

3.8Kmeans聚类算法及DBSCAN聚类算法

1.       Kmeans算法与*流程

2.       Kmeans迭代迭代可视化展示

3.       DBSCAN算法与*流程

4.       DBSCAN可视化展示

5.       多种聚类算法概述

聚类实例

3.9降维算法

1.       线性判别分析

2.       线性判别求解

3.       PCA主成分分析

4.       PCA降维概述

5.       PCA优化的目标

6.       PCA求解

量化投资策略

3.10随机森林与集成算法

1.       集成算法-随机森林

2.       特征重要性衡量

3.       提升模型

4.       堆叠模型

集成算法代码实战与随机森林代码实战

3.11机器学习高难度算法XGBOOST

1.       XGBOOST算法概述

2.       XGBOOST模型构造

3.       建模衡量标准

4.       XGBOOST安装

5.       参数定义与基础模型定义

6.       树结构对结果的影响

7.       学习率与采样对结果影响

京东购买意向预测

3.12推荐系统

1.       推荐系统简介

2.       关联规则

3.       相似度计算

4.       基于用户的协同过滤

5.       基于物品的系统过滤

1.   信息流个性化推荐

2.   广告精准投放

深度学习

章节

教学重点

案例

4.1深度学习概述与基础

1.       深度学习概述

2.       得分函数

3.       损失函数

4.       正则化惩罚

5.       SOFTMAX分类器

6.       最优化解释

7.       反向传播

无

4.2神经网络

1.       感知机模型

2.       神经网络结构

3.       简单的神经网络实现

4.       简单单层神经网络实现

手写数字图片与预测手写数字图片

4.3卷积神经网络

1.       卷积神经网络介绍

2.       单卷积核与多卷积核

3.       图像不变性

4.       局部感知与参数共享

5.       卷积网络结构

6.       卷积层，池化层与全连接层

7.       ImageNet

8.       AlexNet

9.       VGGNet

10. GoogleNet

11. ResNet

12. SENet

1.   识别手写数字图片

2.   鲜花识别

4.4卷积神经网络细节

1.       数据增强策略

2.       迁移学习

3.       网络设计技巧

4.       经典网络架构

5.       分类与回归任务

6.       三代物体检测

车牌识别

4.5Tensorboard可视化展示

1.       可视化展示

2.       展示效果

3.       统计可视化

4.       参数对结果的影响

无

4.6 tfrecord制作数据源

1.       生成自己的数据集

2.       读取数据

3.       生成数据源

4.       加载数据进行分类任务

无

4.7验证识别任务

1.        验证码数据生成

2.        构造网络输入数据和标签

3.        卷积网络模型定义

4.        迭代测试网络效果

验证码实现

4.8RESNET残差网络

1.        RESNET网络原理

2.        网络流程设计

3.        实现细节

RESNE实现

4.9循环神经网络与文本损失函数

1.        循环神经网络结构

2.        循环单元

3.        输出模式

4.        循环神经网络的反向传播

预测时间序列

4.10网络优化与神经网络模型

1.       网络参数优化

2.       网络模型优化

3.       图片识别器

图片生成器实现

4.11对抗神经网络

1.     对抗神经网络原理概述

2.     GAM网络结构定义

3.     迭代生成

4.     DCGAN网络特性

5.     DCGAN训练

使用对抗网络生成图片

TensorFlow框架

章节

教学重点

案例

5.1 TensorFlow概述

1.       Tensor的简介

2.       特点

3.       应用场景

4.       如何选择正确的TensoFlow版本

5.       系统环境变量的设置

无

5.2基础操作

1.     数据类型

2.     创建tensor

3.     索引和切片

4.     维度变换

5.     Broadingcasting

6.       数学运算

神经网络层的实现

5.3高阶操作

1.       合并和分割

2.       数据统计

3.       张量排序

4.       填充和复制

5.       张量限幅

房价预测

5.4Keras

1.     Keras优势

2.     安装

3.     符号计算

4.     张量

5.     数据格式

6.     模型

7.     高层接口使用

使用Keras搭建一个神经网络

5.5TensorFlow实验

1.     数据集的获取

2.     数据预处理

3.     特征工程

4.     模型的创建

5.     模型保存

6.     模型使用

1.   手写字体图像识别

2.   汽车油耗里程数回归预测

3.   猫狗识别

计算机视觉

章节

教学重点

案例

6.1计算机视觉概览及GUI特性

1.     概念与应用

2.     计算机视觉与人工智能

3.     图像的读取、显示、保存

4.     视频的读取、显示、保存

5.     图像的绘制函数

创建画板、绘制各种图形

6.2基本操作

1.     获取图像像素值及修改

2.     图像信息获取

3.     图像的ROI

4.     图像通道的拆分及合并

5.     图像上的算术运算

6.     程序性能检测及优化

将一幅图平滑的转换成另一幅图

6.3OpenCV中的图像处理

1.     颜色空间转换

2.     几何变换

3.     图像阈值设定

4.     图像平滑

5.     形态学转换

6.     图像梯度

实现一张图像的缩放、平移、旋转

6.4边缘检测

1.     噪声去除

2.     图像金字塔

3.     轮廓处理

4.     直方图

5.     模糊匹配

6.     图像分割

1.   实现图像的上点绘制不同的颜色

2.   匹配带有字符或者数字的图片

6.5特性特征值提取与描述

1.     图像特征理解

2.     Harris角点检测

3.     SIFIS算法

4.     SURF

5.     FAST算法

6.     ORB算法

7.     特征匹配

将图像中检测的目标图像进行标记

6.6视频分析

1.     通过Meanshift、Camshift算法对视频进行目标跟踪

2.     光流应用

3.     背景减除

对视频中的目标进行跟踪

6.7摄像机标定和3D重构

1.     摄像机标定概述

2.     畸形校正

3.     反向投影误差

4.     姿势估计

5.     对积几何

6.     力图图像中的深度地图

1.   实现在图像中创建3D效果

2.   实现立体图像制作深度地图

6.8计算摄影学

1.     图像去燥

2.     图像修补

3.     对象检测

实现面部检测

语音处理

章节

教学重点

案例

7.1语音处理概述

1.     语音处理

2.     特征处理方法

3.     语音识别

4.     语音合成

5.       语音信号

语音预处理的实现

7.2传统语音模型

1.     高斯混合模型

2.     隐马尔科夫模型

3.       高斯混合模型-隐马尔科夫模型

无

7.3深度模型和混合模型

1.     深度神经网络

2.     深度神经网络-隐马尔科夫模型

3.     CD-DNN-HMM

语音识别实现

7.4高级语音模型

1.       循环神经网络

2.       长短期记忆网络

无

自然语言处理

章节

教学重点

案例

8.1自然语言处理介绍

1.     语言模型

2.     N - gram语言模型

3.     文本向量化

4.     word2vec - CBOW

5.     word2vec - Skip-gram

6.     doc2vec - DM

7.       doc2vec - DBOW

1.智能搜索引擎实现

2.对话机器人

8.2常用算法

1.     HMM

2.     条件随机场

3.     LSTM

4.       GRU

LSTM实现情感分析

8.3关键技术

1.     分词

2.     词性标注

3.     命名实体识别

4.     关键词提取

5.     句法分析

6.     语义分析

7.     文本分类

8.     文本聚类

9.     机器翻译

10. 问答系统

11. 信息过滤

12. 自动文摘

13. 信息抽取

14. 舆情分析

15. 机器写作

机器人写诗

8.4机器翻译框架-NMT

1.     机器翻译框架概述

2.     Attention机制

3.     数据准备

4.     参数设置

5.     数据加载

6.     网络结构定义

7.       模型训练

NMT实现翻译功能

8.5强化学习

1.       强化学习基本概念

2.       马尔科夫决策过程

3.       BELLMAN方程

4.       值迭代求解

5.       Qlearning基本原理

6.       DQN网络原理

让AI