【课程时长】
6天（6小时/天）
【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】
ü 掌握数据挖掘与机器学习基本知识；
ü 掌握数据挖掘与机器学习进阶知识；
ü 掌握深度学习的理论与实践；
ü 掌握Python开发技能；
ü 掌握深度学习工具：TensorFlow、Keras等；
ü 为学员的后续项目应用提供针对性的建议。
【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。
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） 1、 概念与术语（人工智能、数据挖掘、机器学习） 2、 数据挖掘的对象 3、 数据挖掘的关键技术 4、 知识的表达 5、 Python的安装
数据预处理（第一天——2） 1、 数据清理 2、 规范化 3、 模糊集 4、 粗糙集 5、 无标签时：PCA 6、 有标签时：Fisher线性判别 数据压缩（DFT、小波变换） | 案例实践： 1、 python安装 2、 Tensorflow安装 3、 PCA的实验 4、 DFT的实验 |
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） 1、 线性回归 2、 非线性回归 3、 logistics回归 4、 平稳性、截尾与拖尾 5、 ARIMA
决策树（第一天——4） 1、 分类和预测 2、 熵减过程与贪心法 3、 ID3 4、 C4.5 5、 其他改进方法 决策树剪枝 | 案例实践： 1、 回归的实验 2、 ARIMA预测实验 3、 决策树的实验
|
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） 1、 监督学习与无监督学习 2、 K-means与k-medoids 3、 层次的方法 4、 基于密度的方法 5、 基于网格的方法 6、 孤立点分析
关联规则（第二天——2） 1、 频繁项集 2、 支持度与置信度 3、 提升度 4、 Apriori性质 5、 连接与剪枝
朴素贝叶斯与KNN（第二天——3） 1、 KNN 2、 概率论基础：条件概率、联合概率、分布、共轭先验。 3、 “概率派”与“贝叶斯派” 4、 朴素贝叶斯模型
| 案例实践： 1、 鸢尾花数据的聚类 2、 超市购物篮——关联规则分析 3、 朴素贝叶斯案例：皮马印第安人患糖尿病的风险 |
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） 1、 极大似然估计 2、 对数似然函数 3、 EM算法
性能评价指标（第二天——5） 1、 准确率；精确率、召回率；F1 2、 真阳性率、假阳性率 3、 混淆矩阵 4、 ROC与AUC 5、 对数损失 6、 Kappa系数 7、 回归：平均绝对误差、平均平方误差 8、 聚类：兰德指数、互信息 9、 k折验证 | 案例实践： 1、 正态分析的参数估计 2、 EM算法应用案例：双正态分布的参数估计 3、 绘制ROC并计算AUC、F1 4、 绘制拟合曲线，计算拟合优度 |
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） 1、 人工神经元及感知机模型 2、 前向神经网络 3、 sigmoid 4、 径向基函数神经网络 5、 误差反向传播
模拟退火算法与其他神经网络 （第三天——2） 1、 模拟退火算法 2、 Hopfield网络 3、 自组织特征映射神经网络（SOM） 4、 受限布尔兹曼机 | 案例实践： 1、 可以手算的神经网络 2、 神经网络模拟一个圆锥曲面 3、 “货郎担”问题（模拟退火算法） 4、 识别破损的字母（Hopfield网络） 5、 聚类的另一种解法（SOM） |
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） 1、 参数学习方法 2、 损失函数（或目标函数） 3、 梯度下降 4、 随机梯度下降 5、 牛顿法 6、 拟牛顿法
遗传算法 （第三天——4） 1、 种群、适应性度量 2、 交叉、选择、变异 3、 基本算法 | 案例实践： 1、 随机梯度下降的例子 2、 牛顿法求Rosenbrock(香蕉函数)的极值 3、 “同宿舍”问题：遗传算法
|
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） 1、 统计学习问题 2、 支持向量机 3、 核函数
|
