【课程简介】
人工智能的浪潮正在席卷全球，各种培训课程应运而生，但真正能让学员系统、全面掌握知识点，并且能学以致用的实战课程并不多见。本课程包含机器学习、深度学习的重要概念及常用算法（决策树、关联规则、聚类、贝叶斯网络、神经网络、支持向量机、隐马尔科夫模型、遗传算法、CNN、RNN、GAN等），以及人工智能领域当前的热点。通过6天的系统学习、案例讲解和动手实践，让学员能初步迈入机器学习和深度学习的知识殿堂。
【课程收益】
【课程特点】
本课程力图理论结合实践，强调从零开始，重视动手实践；课程内容以原理讲解为根本，以应用落地为目标。课程通过大量形象的比喻和手算示例来解释复杂的机器学习理论，既能将原理充分讲懂讲透，也避免了繁复而枯燥的公式推导。
【课程对象】
计算机相关专业本科；或理工科本科，且至少熟悉一门编程语言。
【学员基础】
具备初步的IT基础知识
【课程大纲】（培训内容可根据客户需求调整）
| 时间 | 内容 | 案例实践与练习 |
Day1初识机器学习 上午 概述入门 数据预处理 | 概述（第一天——1）
数据预处理（第一天——2）
数据压缩（DFT、小波变换） | 案例实践：
|
Day1初识机器学习 下午 回归与时序分析 决策树 | 回归与时序分析 （第一天——3）
决策树（第一天——4）
决策树剪枝 | 案例实践：
|
Day2机器学习中的典型算法 上午 聚类 关联规则 朴素贝叶斯与KNN | 聚类（第二天——1）
关联规则（第二天——2）
朴素贝叶斯与KNN（第二天——3）
| 案例实践：
|
Day2机器学习中的典型算法 下午 极大似然估计与EM算法 性能评价指标 | 极大似然估计与EM算法（第二天——4）
性能评价指标（第二天——5）
| 案例实践：
|
Day3神经网络专题 上午 BP神经网络 模拟退火算法与其他神经网络 | BP神经网络 （第三天——1）
模拟退火算法与其他神经网络 （第三天——2）
| 案例实践：
|
Day3神经网络专题
下午 机器学习中的最优化方法 遗传算法 | 机器学习中的最优化方法（第三天——3）
遗传算法 （第三天——4）
| 案例实践：
|
Day4机器学习进阶 上午 支持向量机 隐马尔科夫模型 | 支持向量机 （第四天——1）
隐马尔科夫模型（第四天——2）
| 案例实践：
|
Day4机器学习进阶 下午 文本挖掘 从LSA到LDA | 文本挖掘（第四天——3） 1、文本分析功能 2、文本特征的提取 4、TF-IDF 5、文本分类 5、文本聚类
从LSA到LDA（第四天——3）
| 案例实践：
|
Day5机器学习进阶与深度学习初步 上午 利用无标签的样本 集成学习 | 利用无标签的样本（第五天——1）
集成学习（第五天——2）
| 案例实践：
3、bagging、adaboost、RF、GBDT的例子 |
Day5机器学习进阶与深度学习初步 下午 强化学习 深度学习-1 | 强化学习（第五天——3）
深度学习-1（第五天——4）
学习步长 | 案例实践：
|
Day6深度学习 上午 深度学习-2 深度学习-3 | 深度学习-2（第六天——1）
深度学习-3（第六天——2）
LSTM、GRU | 案例实践：
|
Day6深度学习 下午 深度学习-4 |
| 案例实践：
|
【授课环境】
讲课环境要能上网
叶梓