一、机器学习
1.数据加载、探索、清洗实现
1)机器学习三大类算法介绍：聚类、预测、分类
2)线性回归模型介绍与公式推导
3)数据加载、预处理、特征工程
4)训练集、验证集、测试集拆分
2.线性回归模型构建、训练与优化采用线性回归模型预测销售数据
1)欠拟合、过拟合、模型优化
2)采用L2正则化岭回归优化模型
3.可视化、模型封装、保存与二次加载采用matplotlib可视化训练过程
1)Pipeline构建机器学习工作流
2)模型参数保存与二次加载
二、机器学习与深度学习
1.决策树、随机森林构建反欺诈风控模型加载银行风控数据
1)PCA主成份分析、特征工程
2)模型创建与训练
3)网格搜索优化超参数
4)AdaBoost与GBDT模型介绍
5)采用集成学习重构反欺诈风控模型
2.TensorFlow 快速入门
1)传统机器学习算法局限性介绍
2)神经网络极简史、优势介绍
3)环境搭建、第一个案例
4)张量、变量、操作
5)TensorBoard可视化神经网络
三、深度学习与神经网络
1.手动构建DNN深度神经网络
1)人脸FDDB数据集介绍与获取
2)简单神经网络原理分析
3)梯度下降：正向传播与反向传播
4)神经网络可调超参数介绍
5)激活函数：Sigmoid到ReLu
6)损失函数与评估指标的选择
2.CNN卷积神经网络快速入门
1)CNN与DNN优缺点对比
2)滑动窗口特征抽取介绍
3)卷积过程中填充与步长计算
4)池化层与特征过滤
四、人工智能项目实战
1.人工智能项目实战_上
1)客户流失案例背景介绍
2)数据获取、清洗与预处理实现
3)数据可视化与数据探索
4)根据业务需求选择合适模型
5)采用决策树对客户流失实现预测分类
6)正确率、精确率、召回率介绍
7)网格搜索、模型的优化与调优技巧介绍
五、项目实战与AI平台使用
1.人工智能项目实战下
1)采用Keras CNN优化客户流失案例
2)训练过拟合与梯度爆炸问题的解决
3)神经网络正则化与添加Droput层实现
4)TensorBoard展示神经网络训练结果
5)模型部署到Django项目
2.阿里云机器学习PAI使用
1)申请、免费开通、控制台介绍与使用
2)拖拽方式实现机器模型搭建
3)基于阿里云PAI的推荐系统模型训练与使用
课程周期
40小时（45分/课时）