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。

• 掌握数据挖掘与机器学习基本知识

• 掌握数据挖掘与机器学习进阶知识

• 掌握深度学习的理论与实践

• 掌握Python开发技能

• 掌握深度学习工具：TensorFlow、Keras等

• 为学员的后续项目应用提供针对性的建议

  
  

计算机相关专业专科本科在校生，或理工科本科，且至少熟悉一门编程语言。 Java 开发工程师、机器学习工程师、机器学习开发工程师、机器学习算法工程师、 数据科学家、人工智能工程师、人工智能应用工程师、人工智能应用开发工程师、应用架构高级工程师、人工智能产品经理

第一部分 初识机器学习

    概念与术语（人工智能、数据挖掘、机器学习）

     数据挖掘的对象

     数据挖掘的关键技术

     知识的表达

     Python的安装

     数据预处理

     回归与时序分析

     决策树

第二部分 机器学习中的典型算法

     聚类

     关联规则

     朴素贝叶斯与KNN

     极大似然估计与EM算法

     性能评价指标

    
第三部分 神经网络专题

    BP神经网络

    模拟退火算法与其他神经网络

    机器学习中的最优化方法

    遗传算法

第四部分 机器学习进阶

    支持向量机

    隐马尔科夫模型

    文本挖掘

    从LSA到LDA

    
第五部分 机器学习进阶与深度学习初步

    利用无标签的样本

    集成学习

    强化学习

    深度学习-1

第六部分 深度学习

    优化算法

    避免过适应

    典型应用场景

    RNN、LSTM、GRU

    GAN、DQN