培訓(xùn)模塊

培訓(xùn)內(nèi)容

機(jī)器學(xué)習(xí)與線性回歸算法

線性回歸實(shí)現(xiàn)銷售數(shù)據(jù)預(yù)測

1. 線性回歸介紹與公式推導(dǎo)

2. 多變量線性歸回歸與梯度下降

3. 預(yù)測銷量與廣告投放相關(guān)性預(yù)測

4. 數(shù)據(jù)升維與PCA降維

5. 數(shù)據(jù)歸一化與模型優(yōu)化

6. 欠擬合與過擬合

7. 訓(xùn)練結(jié)果的可視化

8. 保存模型與再加載

邏輯回歸與決策樹實(shí)戰(zhàn)

邏輯回歸之信用卡反欺詐預(yù)測 

1. 項(xiàng)目背景與需求分析

2. 特征工程之標(biāo)準(zhǔn)化

3. 基本預(yù)處理操作

4. 上采樣與下采樣

5. 混淆矩陣可視化函數(shù)

6. 模型的訓(xùn)練與準(zhǔn)確率,精確率,召回率

決策樹、集成學(xué)習(xí)識別銀行高風(fēng)險(xiǎn)貸款 

1. 信息增益與算法原理介紹

2. 數(shù)據(jù)分析、特征工程

3. 模型訓(xùn)練與優(yōu)化參數(shù)

4. 隨機(jī)森林、正向激勵(lì)算法

5. 采用決策樹識別高風(fēng)險(xiǎn)貸款

Tensorflow2.3 神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)與深度神經(jīng)網(wǎng)絡(luò)實(shí)踐

1. Tensorflow安裝

2. Tensorlfow基礎(chǔ)知識

3. Tensorflow線性回歸

4. Tensorflow非線性回歸

5. Mnist數(shù)據(jù)集合Softmax講解

6. 使用BP神經(jīng)網(wǎng)絡(luò)搭建手寫數(shù)字識別

7. 交叉熵(cross-entropy)講解和使用

8. 過擬合,正則化,Dropout

9. 各種優(yōu)化器Optimizer

10. 改進(jìn)手寫數(shù)字識別網(wǎng)絡(luò) 

11. 模型保存與載入 

深度學(xué)習(xí)之卷積神經(jīng)網(wǎng)絡(luò)

CIFAR圖形圖像識別項(xiàng)目

1. CIFAR項(xiàng)目需求介紹

2. 分析愛data_batch數(shù)據(jù)集

3. CNN卷積神經(jīng)網(wǎng)絡(luò)介紹

4. 卷積、深度、池化、步長、激活函數(shù)

采用CNN完成CIFAR物體分類

1. 人臉識別數(shù)據(jù)集與算法介紹

2. 模型結(jié)構(gòu)設(shè)計(jì)

3. 人臉損失函數(shù)設(shè)計(jì)

4. 模型與參數(shù)調(diào)優(yōu)

Keras 神經(jīng)網(wǎng)絡(luò)框架

Keras理論介紹最佳實(shí)戰(zhàn)

1. Keras神經(jīng)網(wǎng)絡(luò)框架介紹

2. 基于Keras情感類分析

3. 動物分類器實(shí)現(xiàn)

4. 采用Keras實(shí)現(xiàn)非線性回歸

5. 生成式對抗神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用

6. 模塊結(jié)構(gòu)分析與優(yōu)化策略

7. 采用Keras重構(gòu)TensorFlow項(xiàng)目

Open CV計(jì)算機(jī)視覺技術(shù)

OpenCV的人臉識別

1. OpenVINO框架介紹與安裝測試

2. OpenCV DNN中使用IE模塊加速

3. 轉(zhuǎn)化工具與IE模塊加速

4. 準(zhǔn)備人臉數(shù)據(jù)

5. CV掃描圖像、平滑、擴(kuò)張實(shí)現(xiàn)

6. DNN神經(jīng)網(wǎng)絡(luò)識別人臉

7. 測試與調(diào)優(yōu)操作

8. 基于Open CV DNN 構(gòu)建車輛與車牌檢查模型

YOYO目標(biāo)識別框架技術(shù)

YOYO目標(biāo)識別框架介紹

1. 標(biāo)檢測任務(wù)介紹

2. RCNN/Fast-RCNN/Faster-RCNN算法介紹

3. YOLO算法介紹

4. 目標(biāo)分割任務(wù)介紹

5. 全卷積網(wǎng)絡(luò)

6. 雙線性上采樣

7. 特征金字塔

8. Mask RCNN算法介紹

9. 目標(biāo)分割項(xiàng)目實(shí)戰(zhàn)

圖數(shù)據(jù)庫與構(gòu)建知識圖譜

知識表示與建模

1. 知識圖譜核心技術(shù)：知識推理

2. 知識圖譜應(yīng)用場景與抽取概述介紹

3. 本體知識推理與任務(wù)分類

4. 實(shí)體與關(guān)系、事件抽取技術(shù)

5. 采用TxtCnn、CRF完成知識抽取

6. 采用RNN、LSTM完成知識抽取

知識存儲與問答機(jī)器人構(gòu)建

1. 知識存儲neo4j常用數(shù)據(jù)庫

2. Cyhper語言介紹

3. 采用Py操作Neo4j數(shù)據(jù)庫

4. 基于知識圖譜問答機(jī)器人構(gòu)建

知識圖譜概述

1.知識圖譜（KG）概念

2.知識圖譜的起源與發(fā)展

3.典型知識圖譜項(xiàng)目簡介

4.知識圖譜技術(shù)概述

5.知識圖譜典型應(yīng)用

知識表示

1.基于符號主義的知識表示概述

1.1 謂詞邏輯表示法

1.2 產(chǎn)生式系統(tǒng)表示法

1.3 語義網(wǎng)絡(luò)表示法

2 知識圖譜的知識表示

2.1 RDF和RDFS

2.2 OWL和OWL2

2.3 Json-LD與RDFa、MicroData

2.4 SPARQL查詢語言  

3 知識建模實(shí)戰(zhàn) Protege

知識圖譜核心基礎(chǔ)技術(shù)（一）

神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)

1.經(jīng)網(wǎng)絡(luò)基本原理

2.神經(jīng)網(wǎng)絡(luò)應(yīng)用舉例

3.深度學(xué)習(xí)概述

4.主流深度學(xué)習(xí)框架

4.1 TesorFlow

4.2 Caffe

5.卷積神經(jīng)網(wǎng)絡(luò)（CNN）

5.1 CNN簡介

5.2 CNN關(guān)鍵技術(shù):局部感知、卷積、池化、CNN訓(xùn)練

5.3 典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

5.4 深度殘差網(wǎng)絡(luò)

5.5 案例：利用CNN進(jìn)行手寫數(shù)字識別

知識圖譜核心基礎(chǔ)技術(shù)（二）

 基于深度學(xué)習(xí)的自然語言處理

1.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）概述

2.基本RNN

3.長短時(shí)記憶模型(LSTM)

4.門控循環(huán)單元（GRU）

5.知識圖譜向量表示方法

5.1 向量表示法

5.2 知識圖譜嵌入

知識抽取與融合

1.知識抽取主要方法與方式

1.1 主要方法

1.2 主要方式

2 面向結(jié)構(gòu)化數(shù)據(jù)的知識抽取

2.1 Direct Mapping

2.2 R2RML

3.面向半結(jié)構(gòu)化數(shù)據(jù)的知識抽取

3.1 基于正則表達(dá)式的方法

3.2 基于包裝器的方法

4.面向非結(jié)構(gòu)化數(shù)據(jù)的知識抽取

4.1 實(shí)體抽取
4.2 關(guān)系抽取

4.3 事件抽取
5.識挖掘

5.1知識挖掘流程

5.2 知識挖掘主要方法

6 知識融合

6.1 本體匹配
6.2 實(shí)體對齊

存儲與檢索

1.知識存儲與檢索基礎(chǔ)知識

2.知識圖譜的存儲方法

2.1基于關(guān)系數(shù)據(jù)庫的存儲
2.2 基于RDF數(shù)據(jù)庫的存儲

2.3 原生圖數(shù)據(jù)庫Neo4j存儲

3.圖譜構(gòu)建實(shí)踐 NEO4J

知識圖譜案例

 基于Neo4j人物關(guān)系知識圖譜存儲與檢索