班级人数--热线:4008699035 手机:15921673576( 微信同号) |
增加互动环节,
保障培训效果,坚持小班授课,每个班级的人数限3到5人,超过限定人数,安排到下一期进行学习。 |
授课地点及时间 |
上课地点:【上海】:同济大学(沪西)/新城金郡商务楼(11号线白银路站) 【深圳分部】:电影大厦(地铁一号线大剧院站)/深圳大学成教院 【北京分部】:北京中山学院/福鑫大楼 【南京分部】:金港大厦(和燕路) 【武汉分部】:佳源大厦(高新二路) 【成都分部】:领馆区1号(中和大道) 【广州分部】:广粮大厦 【西安分部】:协同大厦 【沈阳分部】:沈阳理工大学/六宅臻品 【郑州分部】:郑州大学/锦华大厦 【石家庄分部】:河北科技大学/瑞景大厦
开班时间(连续班/晚班/周末班):请点击此处咨询在线客服 |
课时 |
◆资深工程师授课
☆注重质量
☆边讲边练
☆若学员成绩达到合格及以上水平,将获得免费推荐工作的机会
★查看实验设备详情,请点击此处★ |
质量以及保障 |
☆
1、如有部分内容理解不透或消化不好,可免费在以后培训班中重听;
☆ 2、在课程结束之后,授课老师会留给学员手机和E-mail,免费提供半年的课程技术支持,以便保证培训后的继续消化;
☆3、合格的学员可享受免费推荐就业机会。
☆4、合格学员免费颁发相关工程师等资格证书,提升您的职业资质。 |
☆课程大纲☆ |
|
- 第一章:监督学习
简介
在深入研究多种机器学习算法之前,我们先了解整个领域的全局知识
线性回归
了解分类与回归的区别,学习如何使用线性回归来做预测
感知器算法
学习神经网络中的感知器,以及如何使用它进行分类
决策树
学习决策树,并使用决策树探索泰坦尼克号乘客存活模型
朴素贝叶斯
学习朴素贝叶斯原理,并构建垃圾邮件分类器
支持向量机
学习如何训练支持向量机以线性分离数据;
使用核方法在非线性可分的数据上来训练 SVMs
集成方法
通过 boosting 提升传统方法;Adaboost
模型评估维度
学习评估模型的常用维度:准确率、精读、召回率等等。
错误与优化
了解训练过程中常见的错误类型,学习如何处理错误来优化模型性能。
Lab:为银行提供精准营销方案
练习机器学习基础技能,在实战中掌握预测的 pipeline。
- 实战项目 1:航班延误预测
第二章:深度学习
神经网络简介
学习深度学习基础,包括 softmax、one-hot encoding 和 cross entropy
学习感知器与梯度下降
实现梯度下降
了解如何实现梯度下降,并实现一个反向传播
训练神经网络
学习如何训练神经网络,包括早期停止、正则化、dropout等知识
PyTorch
学习如何使用 PyTorch 构建神经网络,并在 Fashion-MNIST 数据集上学习图像分类与迁移学习。
实战项目 2:人脸识别
第三章:非监督学习
聚类
学习如何聚类算法,并尝试使用 k-means 对数据进行聚类
层次聚类法与密度聚类
学习单连接聚类法和层次聚类法,DBSCAN
高斯混合模型与聚类验证
学习高斯混合模型及相关示例,以及聚类分析过程和如何验证聚类结果。
降维和 PCA
了解降维的作用,并学习 PCA 的原理和使用场景
随机投影与 ICA
学习随机投影与独立成分分析,并通过 Lab 学习如何应用这些方法
实战项目 3:创建客户细分
第四章:软件工程
软件工程练习
编写清晰、注释充分的模块化代码
重构代码并提高代码效率
创建检验程序的单元测试
通过日志记录进程操作和结果
审阅代码
编程
了解何时使用面向对象编程;
构建和使用类;
了解如何创建大型模块化 Python 软件包并使用面向对象编程
将软件包上传到 PyPI
作品集练习:构建你自己的 Python 软件包
案例演练:构建 PYTHON 软件包
第五章:模型部署
部署简介
了解云端和部署术语
了解生产环境中的机器学习工作流程
了解机器学习的工作场所用例
部署模型
在 SageMaker 中部署模型
使用 SageMaker 上的 XGBoost 预测波士顿房价
使用 SageMaker 上的 XGBoost 判断影评情感
网络托管
学习如何从网站提供端点访问权限;
使用 API Gateway 和 Lambda 将机器学习模型集成到网络应用中;
模型监控
了解如何监控模型随时间推移的行为;
使用 SageMaker 的自动化超参数调节工具调节 XGBoost 模型的超参数;
在 SageMaker 上运行 A/B 测试,比较调节过的模型与未调节的模型;
更新模型
在监控模型的过程中发现数据有变化后,相应地更新模型;
了解如何处理在情感分析过程中添加到模型中的新短语;
- 实战项目 5:部署情感分析模型
第六章:机器学习案例研究
利用 SageMaker 进行总体分割
使用 AWS SageMaker 了解可用的算法广度;
了解如何通过 SageMaker 使用非监督式算法分析数据;
使用 SageMaker 部署非监督式模型;
通过提取模型属性了解数据;
检测信用卡欺诈行为
构建并改善能识别付款欺诈行为的线性模型;
处理训练数据类别不平衡的问题;
在 SageMaker 中根据特定指标调节模型并改善模型性能;
部署自定义模型
使用 SageMaker 部署自定义 PyTorch 模型;
编写自定义训练脚本,并训练你设计的模型;
时间序列预测
处理时间序列数据并调整数据格式,使数据适合训练机器学习模型;
使用 SageMaker 的DeepAR 算法进行时间序列预测;
部署模型并使用模型预测未来的数据点;
|