|
为了帮助广大深度学习着快速胜任使用Python进行数据挖掘、机器学习、深度学习等工作。《全球人工智能学院》邀请中国科学院的邹博老师来深圳讲授2天：《机器学习和深度学习》。通过课程学习，可以理解机器学习的思维方式和关键技术；了解深度学习和机器学习在当前工业界的落地应用；能够根据数据分布选择合适的算法模型并书写代码，初步胜任使用Python进行数据挖掘、机器学习、深度学习等工作。
邹博:中国科学院副研究员
中国科学院副研究员，天津大学软件学院创业导师，成立中国科学院邹博人工智能研究中心（杭州站），在翔创、天识、睿客邦等公司担任技术顾问，研究方向机器学习、数据挖掘、计算几何，应用于大型气象设备的图像与文本挖掘、股票交易与预测、量子化学医药路径寻优、传统农资产品价格预测和决策等领域。
2017年8月3日-7日 北京理工大学机器学习和深度学习高校师资培训
课程简介：课程强调动手操作；内容以代码落地为主，以理论讲解为根，以公式推导为辅。共2天4节，每节各4小时，讲解机器学习和深度学习的模型理论和代码实践，梳理机器学习、深度学习、计算机视觉的技术框架，从根本上解决如何使用模型、优化模型的问题；每次课中，首先阐述算法理论和少量公式推导，然后使用真实数据做数据挖掘、机器学习、深度学习的数据分析、特征选择、调参和结果比较。
地点：深圳
时间：2018年1月开班，具体时间提前一周通知。
提示：目前仅剩5个名额，想学习的同学请赶紧咨询助教
手机号码：17150893080
课程主要内容安排如下
第一天：周六
9：00~12:00
第一节：Python机器学习与TensorFlow入门
1.1 numpy/scipy/matplotlib/panda的介绍和典型使用
1.2 scikit-learn的介绍和典型使用
1.3 多元线性回归
1.4 Logistics回归与Softmax回归
1.5 决策树和随机森林
1.6 SVM
1.7 多种聚类的原理和调参
1.8 TensorFlow典型应用
1.9 典型图像处理
1.10 多项式拟合
1.11 快速傅里叶变换FFT
1.12 奇异值分解SVD
1.13 Soble/Prewitt/Laplacian算子与卷积网络
代码和案例实践：
卷积与(指数)移动平均线
缺失数据的处理
环境数据异常检测和分析
TensorFlow实现线性回归
TensorFlow实现Logistic回归
股票数据分析
社会学人群收入预测
葡萄酒数据集的决策树/随机森林分类
泰坦尼克乘客存活率估计
13：
30~18：30
第二节：卷积神经网络CNN
2.1 神经网络结构，滤波器，卷积
2.2 池化，激活函数，反向传播
2.3 目标分类与识别、目标检测与追踪
2.4 经典AlexNet、VGG、GoogleLeNet
2.5 Inception
2.6 ResNet、DenseNet
2.7 视频关键帧处理
2.8 物体检测与定位
2.9 RCNN，Fast-RCNN，Faster-RCNN，MaskRCNN
2.10 YOLO
2.11 FaceNet
代码和案例实践：
搭建自己的卷积神经网络
基于CNN的图像识别
卷积神经网络调参经验分享
迁移学习（Transfer Learning）
人脸检测
OCR字体定位和识别
睿客识云
气象识别
第二天：周日
9：00~12:00
第三节：循环神经网络RNN
3.1 RNN基本原理
3.2 LSTM、GRU
3.3 Attention
3.4 编码器与解码器结构
3.5 言特征提取：word2vec
3.6 Seq2seq模型
代码和案例实践：
智能对话和阅读理解
图片标注与图片问答
搭配CNN使用，组成CNN+LSTM模型
Bi-LSTM双向循环神经网络结构
循环神经网络调参经验分享
13：30~18：30
第四节：生成对抗网络GAN与增强学习RL
4.1 生成模型：贝叶斯、HMM到深度生成模型
4.2 GAN对抗生成神经网络
4.3 DCGAN
4.4 Conditional GAN
4.5 InfoGan
4.6 Wasserstein GAN
4.7 马尔科夫决策过程
4.8 贝尔曼方程、最优策略
4.9 策略迭代、值迭代
4.10 Q Learning
4.11 SarsaLamda
4.12 DQN
4.13 A3C
代码和案例实践：
图片生成
看图说话
对抗生成神经网络调参经验分享
飞翔的小鸟游戏
基于增强学习的游戏学习
DQN的实现
| 
收藏