時間

培訓項目

具體內容

第

一

天

上

午

Python

Package

與數(shù)據分析

Numpy/Scipy/Pandas/Matplotlib/Seaborn庫

Numpy基礎屬性與數(shù)組創(chuàng)建

Numpy索引

Numpy數(shù)學運算與常用分布

Pandas數(shù)據處理與分析

Pandas文件讀寫和個性化控制

Pandas的concat與merge

Matplotlib 基本圖結構介紹

基于Matplotlib繪制散點圖、柱狀圖、等高線、3D圖等

多圖合并與圖片文件存取

Seaborn/PyEcharts等包的使用

scikit-learn的介紹和典型使用

TensorFlow經典應用

多元高斯分布

典型圖像處理

多種數(shù)學曲線

多項式擬合

代碼

和案例實踐

快速傅里葉變換FFT與信號處理

Soble/Prewitt/Laplacian算子與卷積網絡

卷積與(指數(shù))移動平均線

股票數(shù)據分析

缺失數(shù)據的處理和預測

環(huán)境數(shù)據異常檢測和分析

快速傅里葉變換FFT

圖像處理與奇異值分解SVD

第

一

天

下

午

：

實

踐

使用numpy、

PIL等包

實現(xiàn)圖像的卷積

使用Python常用包實現(xiàn)給定圖像的卷積輸出

比較不同卷積核的效果

將OpenCV和PIL讀取圖像的結果比較異同

使用

TensorFlow/Keras

實現(xiàn)貓狗分類

了解TensorFlow的基本流程

學會使用Keras搭建卷積神經網絡

比較padding、stride、卷積核大小對輸出圖像的影響

掌握圖像分類的方法和步驟

第

二

天

上

午

機器學習基礎

與多元回歸

線性回歸

Logistic/Softmax回歸

廣義線性回歸

L1/L2正則化

Ridge與LASSO

Elastic Net

梯度下降算法：BGD與SGD

特征選擇與過擬合

Softmax回歸的概念源頭

最大熵模型

K-L散度

代碼

和案例實踐

鳶尾花數(shù)據集的分類

股票數(shù)據的特征提取和應用

泰坦尼克號乘客缺失數(shù)據處理和存活率預測

環(huán)境檢測數(shù)據異常分析和預測

模糊數(shù)據查詢和數(shù)據校正方法

PCA與鳶尾花數(shù)據分類

二手車數(shù)據特征選擇與算法模型比較

廣告投入與銷售額回歸分析

第

二

天

下

午

：

實

踐

實現(xiàn)葡萄酒

三分類數(shù)據

的邏輯回歸建模

與應用

使用Pandas讀寫文件csv等表格文件

實現(xiàn)scikit-learn的建?？傔^程

掌握scikit-learn中的常用函數(shù)，并學會使用官網查閱幫助文檔

混淆函數(shù)的使用和正確率、準確率、召回率、F1-Measure等的度量

基于人口特征

數(shù)據預測年收入

缺失值、異常值處理

One-Hot編碼的應用場景分析

字符串特征的處理

樣本不均衡問題的初步理解和使用

第

三

天

上

午

決策樹、

隨機森林、

SVM

熵、聯(lián)合熵、條件熵、KL散度、互信息

最大似然估計與最大熵模型

ID3、C4.5、CART詳解

決策樹的正則化

預剪枝和后剪枝

Bagging

不平衡數(shù)據集的處理

利用隨機森林做特征選擇

使用隨機森林計算樣本相似度

線性可分支持向量機

軟間隔

損失函數(shù)的理解

核函數(shù)的原理和選擇

SMO算法

支持向量回歸SVR

多分類SVM

代碼

和案例實踐

隨機森林與特征選擇

決策樹應用于回歸

多標記的決策樹回歸

決策樹和隨機森林的可視化

葡萄酒數(shù)據集的決策樹/隨機森林分類

泰坦尼克乘客存活率估計

葡萄酒數(shù)據分類

數(shù)字圖像的手寫體識別

MNIST手寫體識別

SVR用于時間序列曲線預測

SVM、Logistic回歸、隨機森林三者的橫向比較

第

三

天

下

午

：

實

踐

路透社新聞

語聊的分類

文本數(shù)據的特征抽取方法

中英文分類模型的區(qū)別和聯(lián)系

分詞系統(tǒng)的使用和優(yōu)化

機器學習分類模型的綜合運用

圖像

像素聚類

與調色板的應用

矢量量化算法的實現(xiàn)

圖像通道的綜合運用

自動選擇聚類個數(shù)與elbow-method

計算聚類指標并比較相互關系