課程大綱
一、機(jī)器學(xué)習(xí)與特征工程快速入門
1.大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)與人工智能介紹
2.機(jī)器學(xué)習(xí)分類與應(yīng)用場景
3.Numpy、Pandas快速回顧
4.數(shù)據(jù)加載、分析、特征工程實(shí)現(xiàn)
5.數(shù)據(jù)預(yù)處理8大策略介紹
二、數(shù)據(jù)挖掘案例：電影推薦系統(tǒng)實(shí)戰(zhàn)
1.智能推薦系統(tǒng)應(yīng)用場景介紹
2.算法基礎(chǔ)：余弦相似度、皮爾遜系數(shù)、協(xié)同過濾算法
3.數(shù)據(jù)讀取、清洗與聚合操作
4.推薦系統(tǒng)搭建與結(jié)果呈現(xiàn)
5.惡意差評、刷單評論、無效評論的處理方案
三、數(shù)據(jù)清洗與預(yù)處理操作
1.客戶數(shù)據(jù)加載與清洗
2.連續(xù)數(shù)據(jù)離散化
3.數(shù)據(jù)相關(guān)性與降維操作
4.數(shù)據(jù)的標(biāo)準(zhǔn)化與歸一化操作
四、廣告投放渠道聚類分析
1.聚類算法原理介紹
2.K均值極簡案例
3.數(shù)據(jù)加載、探索與特征工程
4.KMeans實(shí)現(xiàn)客戶樣本分群
五、采用雷達(dá)圖對數(shù)據(jù)進(jìn)行畫像
1.直角坐標(biāo)與極坐標(biāo)概念回顧
2.采用雷達(dá)圖繪制用戶特征畫像
六、數(shù)據(jù)加載、探索、清洗實(shí)現(xiàn)
1.機(jī)器學(xué)習(xí)三大類算法介紹：聚類、預(yù)測、分類
2.線性回歸模型介紹與公式推導(dǎo)
3.數(shù)據(jù)加載、預(yù)處理、特征工程
4.訓(xùn)練集、驗(yàn)證集、測試集拆分
七、模型構(gòu)建、訓(xùn)練與優(yōu)化
1.采用線性回歸模型預(yù)測銷售數(shù)據(jù)
2.欠擬合、過擬合、模型優(yōu)化
3.采用L2正則化嶺回歸優(yōu)化模型
八、可視化、模型封裝、保存與二次加載
1.采用matplotlib可視化訓(xùn)練過程
2.Pipeline構(gòu)建機(jī)器學(xué)習(xí)工作流
3.模型參數(shù)保存與二次加載
九、數(shù)據(jù)加載、探索、清洗實(shí)現(xiàn)
1.業(yè)務(wù)需求與數(shù)據(jù)加載、探索
2.特征工程之：非數(shù)值轉(zhuǎn)化為啞變量
3.樣本不均衡：上下采樣實(shí)現(xiàn)
十、模型構(gòu)建、訓(xùn)練、優(yōu)化
1.決策樹模型創(chuàng)建與建樹依據(jù)
2.采用graphviz分析模型創(chuàng)建過程
3.模型超參數(shù)、交叉驗(yàn)證與網(wǎng)格搜索
4.模型可視化呈現(xiàn)、構(gòu)建要點(diǎn)理解
十一、模型保存、加載、評價函數(shù)
1.正確率、精確率與召回率
2.分類模型評估方法：ROC與KS曲線
3.模型保存與二次調(diào)用
十二、KNN 算法實(shí)現(xiàn)就近酒店推薦
1.KNN原理介紹與數(shù)據(jù)處理
2.采用KNN算法實(shí)現(xiàn)就近酒店推薦
十三、樸素貝葉斯算法實(shí)現(xiàn)電商評價分類
1.Jieba、TF-IDF算法介紹
2.貝葉斯實(shí)現(xiàn)文本評價分類
十四、決策樹、隨機(jī)森林構(gòu)建反欺詐風(fēng)控模型
1.加載銀行風(fēng)控數(shù)據(jù)
2.PCA主成份分析、特征工程
3.模型創(chuàng)建與訓(xùn)練
4.網(wǎng)格搜索優(yōu)化超參數(shù)
5.AdaBoost與GBDT模型介紹
6.采用集成學(xué)習(xí)重構(gòu)反欺詐風(fēng)控模型
十五、TensorFlow 快速入門
1.傳統(tǒng)機(jī)器學(xué)習(xí)算法局限性介紹
2.神經(jīng)網(wǎng)絡(luò)極簡史、優(yōu)勢介紹
3.環(huán)境搭建、第一個案例
4.張量、變量、操作
5.TensorBoard可視化神經(jīng)網(wǎng)絡(luò)
十六、手動構(gòu)建DNN深度神經(jīng)網(wǎng)絡(luò)
1.人臉FDDB數(shù)據(jù)集介紹與獲取
2.簡單神經(jīng)網(wǎng)絡(luò)原理分析
3.梯度下降：正向傳播與反向傳播
4.神經(jīng)網(wǎng)絡(luò)可調(diào)超參數(shù)介紹
5.激活函數(shù)：Sigmoid到ReLu
6.損失函數(shù)與評估指標(biāo)的選擇
十七、CNN卷積神經(jīng)網(wǎng)絡(luò)快速入門
1.CNN與DNN優(yōu)缺點(diǎn)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
十八、CNN網(wǎng)絡(luò)性能優(yōu)化
1.優(yōu)化器與學(xué)習(xí)率
2.Droput與數(shù)據(jù)增強(qiáng)實(shí)現(xiàn)
3.VGGNet、GoogLeNet、ResNet網(wǎng)絡(luò)介紹
十九、Keras重構(gòu)CNN神經(jīng)網(wǎng)絡(luò)
1.卷積層與池化層原理介紹
2.Keras體系架構(gòu)介紹
3.采用Keras重構(gòu)神經(jīng)網(wǎng)絡(luò)層
二十、構(gòu)建RNN循環(huán)神經(jīng)網(wǎng)絡(luò)
1.時序數(shù)據(jù)與文本加載
2.詞向量與詞嵌入
3.RNN神經(jīng)網(wǎng)絡(luò)構(gòu)建與原理分析
4.RNN實(shí)現(xiàn)影評情感分類
二十一、自然語言處理之命名實(shí)體識別
1.HMM與CRF 算法介紹
2.RNN重構(gòu)為BiLSTM
3.基于BiLSTM命名實(shí)體識別實(shí)戰(zhàn)
4.遷移學(xué)習(xí)與Bert命名實(shí)體識別
二十二、阿里云機(jī)器學(xué)習(xí)PAI使用
1.申請、免費(fèi)開通、控制臺介紹與使用
2.拖拽方式實(shí)現(xiàn)機(jī)器模型搭建
3.基于阿里云PAI的推薦系統(tǒng)模型訓(xùn)練與使用
二十三、ChatGPT快速應(yīng)用與案例實(shí)踐
1.NLP、ChatGPT3、ChatGPT4發(fā)展史與特性介紹
2.注意力與自注意力機(jī)制介紹
3.模型的計算、推理、常識與惡意誤導(dǎo)測試
4.Prompt工程和技巧
5.ChatGPT4 Plus的獲取與使用
6.激活GPT思維鏈
7.GPT4 Plus新特性：Custom Instructions 與角色設(shè)置
8.Excel中使用GPT插件提升表格處理效率
9.GPT與AIPPT結(jié)合一鍵生成商務(wù)PPT
二十四、ChatGPT第三方聯(lián)動與模型微調(diào)Code Interpreter：實(shí)現(xiàn)自動數(shù)據(jù)挖掘并生成分析報告
1.GPT4 Action：如何調(diào)用其它應(yīng)用（查詢物流、發(fā)短信、發(fā)郵件…….）
2.語聚AI賦能GPT4 實(shí)現(xiàn)辦公流程自動化
3.Token與計費(fèi)介紹
4.基于GPT4的模型微調(diào)實(shí)現(xiàn)
5.API Key的申請與Python調(diào)用
6.文字、語音、與Dall-E圖像生成實(shí)現(xiàn)
7.ChatGPT4 連接微信構(gòu)建智能客服
二十五、LangChain 構(gòu)建企業(yè)知識系統(tǒng)
1.LangChain的系統(tǒng)安裝和快速入門
2.體驗(yàn) LangChain + LLM 的全新開發(fā)范式
3.LangChain結(jié)構(gòu)體系介紹與Toolkits一覽
4.模型I/O：輸入提示、模型調(diào)用、解析與輸出
5.提示工程，思維鏈與思維樹
6.模型調(diào)用：LangChain整合GPT4/ChatGLM
7.OutPutParse實(shí)現(xiàn)列表輸出與推薦
8.Memory動態(tài)存儲歷史記憶
9.使用鏈和代理實(shí)現(xiàn)信息查詢
10.如何引用異步通信機(jī)制
11.Tracing與Debug的使用
12.根據(jù)環(huán)境構(gòu)建知識推送與存儲策略
13.構(gòu)建用戶的人脈管理系統(tǒng)
14.聊天客服的機(jī)器人開發(fā)與測試
15.LangChain表達(dá)式語言LCEL初探
16.LangSmith 與 Hub
課程周期：
60課時（45分鐘/課時）
