本培训实践与理论并重，通过理论讲解，算法阐述，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，而且具有一定的前瞻性,把我人工智能的前沿和热点技术。
了解基本统计知识，具备初步的IT基础知识和基本数学理论，可使用python编程
人工智能和机器学习概述
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
算法与模型学习
1、线性回归模型
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*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
2、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
3、人工神经网络
从逻辑回归到人工神经网络
感知器模型
多层感知器
深度神经网络
设计深度神经网络的*实践
4、卷积神经网络CNN
卷积神经网络历史
AlexNet,ResNet,googleNet介绍
卷积层介绍
池化层
全连接层
DropOut正则化
常用参数介绍和CNN调优
5、循环神经网络RNN
RNN应用概述
时间序列LSTM模型
自然语言处理基础
双向RNN与深度RNN
RNN实现案例
6、异常检测算法
发现异常的动机
高斯分布与异常检测算法
异常检测算法介绍
如何对异常检测算法进行评估
IronBank案例实践
1、案例介绍
IronBank(铁金库)的收入和利润连续下滑,面临巨大的挑战,管理层研究后发现以下三个问题是罪魁祸首:
1)高价值客户的流失率上升
2)信用卡欺诈频度上升
3)个人贷款违约率上升
IT部采用TensorFlow建立机器学习模型来解决该问题
2、TensorFlow介绍
Tensorflow介绍
编写*个TensorFlow程
3、信用卡欺诈检测
1)数据收集,特征选择
2)建立异常检测模型,识别信用卡欺诈
3)模型的评价和调优
4、预测贷款客户是否将违约
1)收集贷款客户的特征数据
2)使用神经网络算法,建立客户违约行为模型
3)模型的评价和调优
5、卷积神经网络识别客户
1)收集客户的图形数据
2)采用经典的卷积神经网络,识别进入营业厅的客户
3)对高价值用户进行客户关怀和针对性的促销
