一、機器學習
1.數據加載、探索、清洗實現
1)機器學習三大類算法介紹：聚類、預測、分類
2)線性回歸模型介紹與公式推導
3)數據加載、預處理、特征工程
4)訓練集、驗證集、測試集拆分
2.線性回歸模型構建、訓練與優化采用線性回歸模型預測銷售數據
1)欠擬合、過擬合、模型優化
2)采用L2正則化嶺回歸優化模型
3.可視化、模型封裝、保存與二次加載采用matplotlib可視化訓練過程
1)Pipeline構建機器學習工作流
2)模型參數保存與二次加載
二、機器學習與深度學習
1.決策樹、隨機森林構建反欺詐風控模型加載銀行風控數據
1)PCA主成份分析、特征工程
2)模型創建與訓練
3)網格搜索優化超參數
4)AdaBoost與GBDT模型介紹
5)采用集成學習重構反欺詐風控模型
2.TensorFlow 快速入門
1)傳統機器學習算法局限性介紹
2)神經網絡極簡史、優勢介紹
3)環境搭建、第一個案例
4)張量、變量、操作
5)TensorBoard可視化神經網絡
三、深度學習與神經網絡
1.手動構建DNN深度神經網絡
1)人臉FDDB數據集介紹與獲取
2)簡單神經網絡原理分析
3)梯度下降：正向傳播與反向傳播
4)神經網絡可調超參數介紹
5)激活函數：Sigmoid到ReLu
6)損失函數與評估指標的選擇
2.CNN卷積神經網絡快速入門
1)CNN與DNN優缺點對比
2)滑動窗口特征抽取介紹
3)卷積過程中填充與步長計算
4)池化層與特征過濾
四、人工智能項目實戰
1.人工智能項目實戰_上
1)客戶流失案例背景介紹
2)數據獲取、清洗與預處理實現
3)數據可視化與數據探索
4)根據業務需求選擇合適模型
5)采用決策樹對客戶流失實現預測分類
6)正確率、精確率、召回率介紹
7)網格搜索、模型的優化與調優技巧介紹
五、項目實戰與AI平臺使用
1.人工智能項目實戰下
1)采用Keras CNN優化客戶流失案例
2)訓練過擬合與梯度爆炸問題的解決
3)神經網絡正則化與添加Droput層實現
4)TensorBoard展示神經網絡訓練結果
5)模型部署到Django項目
2.阿里云機器學習PAI使用
1)申請、免費開通、控制臺介紹與使用
2)拖拽方式實現機器模型搭建
3)基于阿里云PAI的推薦系統模型訓練與使用
課程周期
40小時（45分/課時）