5大阶段,40+课程,16+经典案例,4大商业项目实战 实现向人工智能的华丽转型

课程时长:约66天,每天不低于6小时 授课方式:线下面授 + 翻转课堂(部分课程结合平台在线课程)

阶段一:数据分析师认知篇

此阶段为我们整个课程的第一阶段,菜鸟筑基,即代码级。将主要侧重Python语言及数据分析包的学习。通过对Python语言、Python数据处理、分析包及可视化包的学习,训练学员掌握人工智能必备的基本编码能力,为后续进一步学习人工智能/机器学习更高级的内容打下坚实且必要基础。

  • 重要程度:
  • 难度级别:
序号 课程名称 课程介绍 学习内容 课时目标 学完后做什么
01 人工智能(机器学习)基础 – Python 扫盲

课时:1天

本课程介绍机器学习首选语言Python,主要讲解了python语言的开发环境的搭建、模块管理工具的安装、介绍开发的模式,编写简单的代码和算法。Python的历史和生态环境介绍,开发环境的搭建,pip的介绍和安装,模块的概念介绍,编写简单的模块;模块的导入、认识Python的内置数据类型、算术运算符、逻辑运算符、定义函数,类、异常的处理和使用、文件操作等。 1、Python语言开发要点详解
2、Python开发环境搭建
3、Python数据类型和常见算法
4、Python 函数式编程
5、Python文件处理
1、从零开始学会搭建Python开发环境
2、掌握Python基础语法
3、理解基本编程思想与方法
能够使用Python写一个简单的基于控制台的应用
02 人工智能(机器学习)基础 – Python 核心编程

课时:2天

这是机器学习的第二门入门课程,机器学习是一门综合学科,需要数学、统计数基础及计算机相关编码技能,本课程在课程一的基础上进一步加强机器学习首选语言-Python的内容,涉及Python语言核心的集合、元组、泛型、字典及相关数据持久化等知识,为后继进一步深入机器学习打下坚实基础。 1、Python 中的集合,泛型,元组,字典
2、Python网络编程、多线程 、正则表达式
3、MySQL数据库精讲
4、MongoDB数据库精讲
5、Python中如何操作MySQL数据库
6、Python中如何操作MongoDB
1、对Python的集合,泛型、元组深入理解与掌握
2、掌握Python面向对象编程
3、光速上手MySQL & MongoDB 数据库
4、掌握Python如何操作MySQL数据库
5、掌握Python如何操作MongoDB数据库
1、利用python类库实现更加高级的数据处理
2、可以把爬虫获取到的数据存放到数据库中
3、熟练使用Python进行数据持久化工作
03 数据收集– Python 爬虫技术

课时:3天

进行数据分析的前提是要有数据,数据的来源方式有很多种,其中有一种非常常见的数据获取方式就是利用网络爬虫抓了数据,Python是最好的进行网络爬虫的实现语言之一,利用其提供的Scapy框架可以很方便快捷高效的实现数据的收集,通过本门课程的学习,可以让零基础人群轻松掌握利用Python的urllib2、beautifulsoup及scrapy框架三种方式爬取网络上信息 1、Python爬虫原理与入门
2、利用requests及BeautifulSoup爬取数据
3、Beautiful Soup库的使用
4、利用及BeautifulSoup爬取数据
5、利用Scrapy框架爬取数据
6、爬虫综合项目实战
1、了解Python爬虫的基本工作原理
2、掌握Python爬虫的基本类库:urllib2、beautifulsoup的使用
3、熟练使用Scrapy框架进行数据的抓取
1、使用 Python 库进行豆辩电影分析
2、能够利用Scrapy框架实时抓取京东、天猫商城数据
04 Python科学计算库 - Numpy

课时:2天

本门课程主要介绍现在主流的数据科学工具包Numpy的使用。课程分入门和进阶两个部分通过入门部分的学习,可以应付后续机器学习课程中的绝大多数应用;而对于想要更深入探究算法原理的学员,建议掌握进阶部分的内容。 1、NumPy 简介、程序包、简单的Numpy程序
2、Ndarray的文件操作
3、操作多维数组ndarray、索引、索引数组、布尔数组
4、改变ndarray的形状
5、ndarray的基本运算
6、numpy进阶
7、numpy高级:广播、复制与视图
1、了解Numpy的安装与快速使用
2、阅读Numpy API并熟练使用其核心方法
3、掌握Numpy对一维、二维及多维数据的使用技巧
1、能够利用Numpy包进行一些金融,电商等 数据的量化分析工作
2、能够利用Numpy进行数据的科学计算
3、能够用Numpy实现“人工智能/机器学习”各种经典算法
05 Python科学计算库 - Scipy

课时:2天

本门课程主要介绍常用的数据科学工具包Scipy。课程分入门和进阶两个部分,numpy提供了数组对象,面向的任何使用者。scipy在numpy的基础上,面向科学家和工程师,提供了更为精准和广泛的函数。scipy几乎实现numpy的所有函数,一般而言,如果scipy和numpy都有这个函数的话,应该用scipy中的版本,因为scipy中的版本往往做了改进,效率更高。通过入门部分的学习,可以应付后续机器学习课程中的绝大多数应用;而对于想要更深入探究算法原理的学员,建议掌握进阶部分的内容。 1、简单的SCIPY程序
2、SCIPY程序包
3、scipy简介
4、线性代数基础知识_向量
5、线性代数基础知识_矩阵
6、特征值和特征向量
7、解线性方程组
8、最小二乘法
1、了解Scipy包的安装与基本使用方法
2、阅读Scipy API并熟练使用其核心方法
3、掌握Scipy的科学计算方法与技巧
1、能够利用Scipy包完成人工智能/机器学习应用中的一些专业数学统计运算
2、能够利用Scipy进行人工智能/机器学习应用中的科学计算
3、能够用Numpy+Scipy实现“人工智能/机器学习”各种经典算法
06 Python数据分析库 – Pandas

课时:2天

pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型,提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现,它是使Python成为强大而高效的数据分析环境的重要因素之一。通过本门课程的学习,可以应付后续机器学习课程中的绝大多数应用,建议掌握本部分的内容。 1、Pandas 简介\PANDAS程序包安装
2、S简单的PANDAS程序\Series类说明
3、Series的bool运算选择\SERIES的复杂操作
4、DataFrame的常用构造方式与操作
5、分组求和(聚合操作)\列与列之间的四则运算
6、删除某一列\按位置选定指定的行和列
7、深复制&浅复制
8、DataFrame与DataFrame之间的join操作
1、了解Pandas包的安装与基本使用方法
2、阅读Pandas API并熟练使用其核心方法
3、掌握Pandas的科学计算方法与技巧
1、能够利用Pandas包进行人工智能/机器学习应用的数据分析工作
2、能够利用Pandas包简化人工智能/机器学习应用中的科学计算
3、能够利用Pandas实现“人工智能/机器学习”各种经典算法
07 Python数据分析可视化库 – matplotlib

课时:3天

Matplotlib 可能是 Python 2D-绘图领域使用最广泛的套件。它能让使用者很轻松地将数据图形化,并且提供多样化的输出格式。这里将会探索 matplotlib 的常见用法。。通过本门课程的学习,可以应付后续机器学习课程中的绝大多数应用,建议掌握本部分的内容 1、Matplotlib简介
2、matplotlib程序包安装
3、简单的matplotlib程序
4、Matplotlib主要绘图类型(上)
5、Matplotlib主要绘图类型(下)
6、Matplotlib主要绘图参数
7、Matplotlib主要绘图装饰函数
8、Matplotlib文字标注与注释
1、了解matplotlib包的安装与基本使用方法
2、阅读matplotlib API并熟练使用其核心方法
3、掌握matplotlib的绘图技巧,实现可视化展示
1、能够使用 Python 库进行豆辩电影分析
2、能够利用对人工智能/机器学习处理后的数据进行可视化展示
08 综合项目实战 - Python豆瓣电影分析系统

课时:1.5天

本项目系Python数据分析模块全部学习完成后最终的一个综合项目实战课程,项目通过真实的豆瓣电影数据的分析,从数据的抓取,到数据的清洗、处理、拆分、合并、去重、特征值提取,到最后的数据分析及可视化数据展示,全面演示了一个数据分析业务的运行全过程。 通过一个真实项目演示一个数据分析项目全流程,主要包括:
1、业务需求分析
2、数据收集
3、数据清洗
4、数据处理
5、数据分析
6、数据可视化分析展示
7、数据分析报告
项目涉及到技术有:
1、Python基础语法与核心编程
2、Python中的爬虫技术
3、Numpy数据处理
4、Pandas数据分析
5、Matplotlib\PyEcharts的数据可视化等技术。
1、了解了一个真实的数据分析项目全流程
2、能够对之前学习过的Python爬虫技术结合项目有更深入的理解
3、掌握numpy,pandas 结合 matplotlib\PyEcharts进行可视化数据分析与展示

5大阶段,40+课程,16+经典案例,4大商业项目实战 实现向人工智能的华丽转型

课程时长:约66天,每天不低于6小时 授课方式:线下面授 + 翻转课堂(部分课程结合平台在线课程)

阶段二:应用级

此阶段为我们整个课程的第二阶段,菜鸟进阶,即应用级。侧重于机器学习的算法基础了解及算法的Python代码实现。通过对基本的数理统计知识的学习,了解机器学习必须掌握的算法原理及Python代码实现,达到利用Python代码结合算法解决实际人工智能/机器学习业务分析预测的目的。

  • 重要程度:
  • 难度级别:
序号 课程名称 课程介绍 学习内容 课时目标 学完后做什么
01 机器学习入门

课时:1天

这是机器学习的入门课程,首先通过一个生活中的例子去理解数据挖掘和机器学习的概念,然后介绍了数据挖掘解决常见问题,常用的机器学习算法,以及经典应用案例。同时还介绍了机器学习的方法论和流程,为后续学习打下基础。 机器学习扫盲
数据挖掘和机器学习概述
快速理解数据挖掘和机器学习
数据挖掘的六大任务
数据挖掘方法论(CRISP-DM)
预测模型的构建和应用流程
机器学习算法及分类.
数据挖掘与数据仓库和OLAP
数据挖掘和机器学习应用案例
如何成为一名优秀的数据科学家
1、了解什么是人工智能/机器学习
2、了解人工智能/机器学习应用领域
3、了解人工智能/机器学习的实现基本思路与方法
1、能够对人工智能与机器学习、深度学习之间的关系有了一个深入的理解
2、能够知道开发一个人工智能的应用一些基本的套路与实现步骤
3、对十大经典人工智能/数据挖掘算法有一个基本的认知
02 机器学习基础 - 数理统计必知必会

课时:3天

这是机器学习的基础课程,主要讲述了机器学习必备的一些数理统计的基础概述、名词,术语,包括但不限于:均值,中位数,众数,方差,标准差、概率的基本概念、描述性统计分析、分类变量的分析方法、连续变量的分析方法、相关性分析等,为后续的机器学习的深入学习打下基础 均值\中位数\众数
方差\标准差
概率的基本概念
数据理解和探索
认识数据
描述性统计分析
分类变量的分析方法
连续变量的分析方法
相关性分析
1、了解机器学习必备的一些数理统计的基础概述、名词,术语
2、为进一步深入人工智能/机器学习十大算法打基础
1、能够利用所学的数理统计知识解决实际工作中遇到的概率问题
2、为后续的机器学习的深入学习打下基础
03 机器学习十大经典算法原理与场景概述(入门篇)

课时:2天

本门课程介绍了国际权威组织ICDM于2006年12月评选出来的数据挖掘领域的十大算法,此十大算法分别涉及后面我们要讲到的监督学习、无监督学习、加强学习等分类,为机器学习之必学篇。这门课程只对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,后继课程对各算法有专题讲解。 决策树算法原理与适用场景
随机森林算法原理与适用场景
逻辑回归算法原理与适用场景
SVM算法原理与适用场景
朴素贝叶斯算法原理与适用场景
K最近邻算法原理与适用场景
K均值算法原理与适用场景
Adaboost 算法原理与适用场景
神经网络算法原理与适用场景
马尔可夫算法原理与适用场景
1、了解十大经典算法的发展历史与由来
2、了解十大经典算法的原理与公式
3、了解十大经典算法的具体应用和适应场景
1、了解十大经典算法是什么,为什么 ,以及怎么用
2、了解十大经典算法的经典应用场景及实际解决什么问题
3、能够知道在什么场景下我们应该用哪个算法来解决实际问题
4、为后继具体算法在人工智能/机器学习具体业务应用打下基础
04 机器学习框架:scikit-learn快速入门

课时:2天

对Python语言有所了解的科研人员可能都知道SciPy——一个开源的基于Python的科学计算工具包。基于SciPy,目前开发者们针对不同的应用领域已经发展出了为数众多的分支版本,它们被统一称为Scikits,即SciPy工具包的意思。而在这些分支版本中,最有名,也是专门面向机器学习的一个就是Scikit-learn。Scikit-learn项目最早由数据科学家 David Cournapeau 在 2007 年发起,需要NumPy和SciPy等其他包的支持,是Python语言中专门针对机器学习应用而发展起来的一款开源框架。在机器学习和数据挖掘的应用中,scikit-learn是一个功能强大的python包。在数据量不是过大的情况下,也不需要开发者拥有太多的数学统计学的知识即可以解决大部分问题,本课程系scikit-learn的入门篇,主要包括:Sk-learn框架的安装、基本功能、常见使用技巧等 Scikit-learn简介
安装和运行Scikit-learn
Scikit-learn的基本功能-分类算法API简介
Scikit-learn的基本功能-回归算法API简介
Scikit-learn的基本功能-聚类算法API简介
Scikit-learn的数据降维处理
Scikit-learn的模型选择
Scikit-learn的数据预处理API
Scikit-learn 综合实例
1、了解sk-learn的安装、使用与框架背景
2、了解sk-learn的常见API
3、能够借助sk-learn重新实现十大经典算法(结合案例)
1、能够利用sk-learn框架去简化实现机器学习-监督学习
2、能够利用sk-learn框架去简化实现机器学习-非监督学习

5大阶段,40+课程,16+经典案例,4大商业项目实战 实现向人工智能的华丽转型

课程时长:约66天,每天不低于6小时 授课方式:线下面授 + 翻转课堂(部分课程结合平台在线课程)

阶段三:工程级

此阶段为我们整个课程的第三阶段,菜鸟初入江湖,工程级阶段。本阶段侧重于对人工智能/机器学习工作流程中最重要的几个环节,通过对数据准备、数据特征、数据模型的深入介绍及算法优化,结合深度学习和具体的经典案例,让学员对于机器学习上升到工程应用的级别,能够进行基本的算法评估与优化。

  • 重要程度:
  • 难度级别:
序号 课程名称 课程介绍 学习内容 课时目标 学完后做什么
01 机器学习 – 数据预备、清洗与特征工程

课时:2天

有这么一句话在业界广泛流传:数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已。特征对数据挖掘和机器学习效果的重要性意味着特征工程的重要性,然而一般的特征工程也有其局限性,这时候特征提取可能更符合我们的需要。本课程详细介绍各种数据准备和特征工程的方法,主要包括对数据记录级处理,特征构造,特征转换,特征降维和特征选择,一个好的特征工程能大幅提高数据挖掘的性能。 什么是特征工程(概述、特征构造、用户行为特征提取)
特征处理01 - 衍生变量\变量标准化\变量二值化
特征处理02 - 数据分箱\哑变量\独热编码
特征处理03 - 数据变换\缺失值处理组合特征
特征选择01 - 单特征的预测能力
特征选择02 - Wrapper
特征选择03 - Embedded
降维-主成分分析(PCA)
降维-线性判别分析法(LDA)
1、了解各种数据准备和特征工程的方法
2、掌握数据记录级处理,特征构造的方法、技巧与经验
3、掌握特征转换,特征降维和特征选择的方法、技巧与经验
1、能够把不同的数据利用不同的方法实现清洗与处理
2、能够实现对多种数据的特性选取与转换
3、可以实现对复杂数据集的降维处理
02 机器学习之监督学习核心之 - 分类算法原理与实践

课时:5天

如何解决分类问题和回归是机器学习其中两个主要任务,分类就是将实例数据划分到合适的分类中,回归主要用于预测数值型数据。分类和回归属于监督学习[x1] ,这类算法必须知道预测什么,即目标变量的分类信息,本门课程主要介绍了常用的五种分类算法:K近邻,决策树,朴素贝叶斯,逻辑回归,支持向量机(SVM) ,并结合具体的经典实战案例演示监督学习的具体应用 什么是监督学习、十分钟实例快速上手有监督学习
监督学习应用程序的步骤、实战监督学习之K-近邻算法
实战监督学习之朴素贝叶斯算法、实战监督学习之决策树原理介绍及代码调用
案例实现、逻辑回归(LR)原理、逻辑回归代码实现、逻辑回归正则化方法
逻辑回归模型参数调优、逻辑回归的多分类问题
支持向量机算法、什么是支持向量机
支持向量机算法基本原理、支持向量机代码演示
支持向量机参数优化、支持向量机、案例实现
1、进一步了解常见的五种分类算法:K近邻,决策树,朴素贝叶斯,逻辑回归,支持向量机(SVM)
2、了解如何结合Python代码实现五种分类算法
3、了解如何结合实际案例深入理解五种算法的具体应用
1、能够利用决策树为你进行智能配镜
2、能够实现kaggle竞赛案例泰坦尼克号获救预测
3、能够利用朴素贝叶斯对iris(鸢尾花)进行数据集分析
4、能够制作简单垃圾邮件过滤模型
03 机器学习之非监督学习算法 - 聚类与关联算法原理与实践

课时:5天

非监督学习是机器学习中除了监督学习外的另外一大类任务,常见的非监督学习方法有聚类分析和关联规则,本门课程就是重点介绍这两种方法。聚类分析中会介绍各种不同的距离的度量,以及Kmeans算法的基本原理;关联规则会介绍关联规则的基本概念以及发现频繁项集的常用算法Apriori。 Kmeans算法的基本原理与实现
构建你的第一个关联模型
关联规则的三个评价指标
Apriori算法原理及代码调用
FP-growth算法原理及代码调用
如何挑选有价值的关联规则
基于关联规则的推荐应用
1、了解什么是聚类分析及其具体代码实现
2、了解什么是关联规则及其具体代码实现
3、通过真实案例进一步对非监督算法深入理解
1、能够利用相关算法实现手写识别系统
2、能够利用相关算法实现购物商品价格预测
3、能够利用相关算法实现新闻网站流量点击分析
04 机器学习之协同过滤原理与实战

课时:3天

关于协同过滤的一个最经典的例子就是看电影,有时候不知道哪一部电影是我们喜欢的或者评分比较高的,那么通常的做法就是问问周围的朋友,看看最近有什么好的电影推荐。在问的时候,都习惯于问跟自己口味差不多的朋友,这就是协同过滤的核心思想。
协同过滤是在海量数据中挖掘出小部分与你品味类似的用户,在协同过滤中,这些用户成为邻居,然后根据他们喜欢的东西组织成一个排序的目录推荐给你。
协同过滤算法的出现标志着推荐系统的产生,本课程主要介绍了协同过滤的两个核心算法算法:基于用户和基于物品的协同过滤算法。
协同过滤的基本概念
用户偏好数据的收集与处理
基于相似用户的协同过滤推荐
基于相似物品的协同过滤推荐
案例实战:协同过滤推荐系统
案例实战:餐馆菜肴推荐系统
了解协同过滤算法的基本原理
掌握协同过滤算法的代码实现
通过真实案例进一步对协同过滤算法深入理解
1、能够实现电商相似商品推荐
2、能够实现餐馆菜肴推荐系统
3、能够实现电影推荐系统
05 机器学习经典案例集:基于scikit-learn框架实现

课时:2天

本课程系:《机器学习框架:scikit-learn快速入门》之后的高阶课程 ,在上述课程基础上,加入了机器学习领域典型 的实战案例,是学习人工智能/机器学习课程的必须掌握的内容。
课程总共有5个非常经典的能够用来练手的项目案例组成,通过本课程的学习,让学员对机器学习框架sk-learn有了一个更加全面、系统、深入的认识。
01- 机器学习经典案例:垃圾邮件过滤模型
02- 机器学习经典案例:KNN算法实现手写字体识别
03- 机器学习经典案例:从疝气病症预测病马的死亡率
04- 机器学习经典案例:利用决策树为你进行智能配镜
05- 机器学习经典案例:餐馆菜肴推荐系统
了解Sk-learn在几大经典算法中的实际应用
利用SK-learn框架解决实际企业业务中遇到的相关问题
1、能够利用SK-Learn机器学习框架实现企业需求
2、能够利用SK-Learn机器学习框架实现监督学习的一些经典算法
3、能够利用SK-Learn机器学习框架实现非监督学习的一些经典算法
06 机器学习之集成学习– 多算法融合

课时:2天

集成学习是机器学习中一个非常重要且热门的分支,是用多个弱分类器构成一个强分类器,其哲学思想是“三个臭皮匠赛过诸葛亮”。一般的弱分类器可以由决策树,神经网络,贝叶斯分类器,K-近邻等构成。已经有学者理论上证明了集成学习的思想是可以提高分类器的性能的,比如说统计上的原因,计算上的原因以及表示上的原因。 Bagging框架原理介绍
Boosting框架原理介绍
Stacking框架原理介绍
随机森林RF算法原理及代码调用
GBDT算法原理及代码调用
xgboost算法原理及代码调用
1、了解现在主流的机器学习-集成学习的主流框架原理 2、掌握现在主流的机器学习-集成学习的主流框架算法的Python代码实现
3、通过真实案例进一步加深理解
1、能够利用集成学习框架实现广告预测
2、能够利成集成学习框架实现房价预测
07 机器学习之文本与图像数据挖掘方法

课时:2天

文本挖掘是指从大量文本数据中抽取事先未知的、可理解的、最终可用的知识的过程,同时运用这些知识更好地组织信息以便将来参考。图像数据挖掘是用来挖掘大规模图像数据中隐含的知识、图像内或图像间的各种关系以及其他隐藏在图像数据中的各种模式的一种技术。涉及图像获取、图像存储、图像压缩、多媒体数据库,涉及图像处理与分析、模式识别、计算机视觉、图像检索、机器学习、人工智能、知识表现。本门课程将主要讲解常见的文本挖掘、图像挖掘算法原理及具体实现 文章分词与词云图
TF-IDF算法
word2vec工具
计算文档相似度及文档聚类
计算机视觉技术的典型应用
图像特征的提取方法
构建一个简单的图像识别应用
1、理解自然语言处理的原理与应用场景
2、了解文本与图像数据挖掘处理的算法原理与具体实现
3、掌握Word2VEC工具的使用
4、掌握图像识别特征提取的方法与技巧
1、能够构建一个简单的图像识别应用
2、能够利用Word2VEC实现新闻关键字提取

5大阶段,40+课程,16+经典案例,4大商业项目实战 实现向人工智能的华丽转型

课程时长:约66天,每天不低于6小时 授课方式:线下面授 + 翻转课堂(部分课程结合平台在线课程)

阶段四:算法级

此阶段为我们整个课程的第四阶段,华山论剑,算法级阶段。本阶段会让学员对人工智能/机器学习算法有更进一步的深入理解,主要涉及深度学习、自然语言等时下非常热门的机器学习领域的算法讲解,并结合相关机器学习框架/深度学习框架(Tensorflow 、Keras)简化人工智能-机器学习、深度学习的代码实现 。

  • 重要程度:
  • 难度级别:
序号 课程名称 课程介绍 学习内容 课时目标 学完后做什么
01 深度学习入门篇:神经网络、深度学习入门

课时:1天

深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。本课程主要涉及深度学习、神经网络原理与实战应用
深度学习总体介绍
传统神经网络
卷积神经网络-基础篇
卷积神经网络-高级篇
卷积神经网络-目标分类
卷积神经网络-目标探测
递归神经网络
实例训练:表情识别/人脸识别/动物识别
1、了解传统神经网络-基本算法原理
2、了解卷积神级网络 - 算法原理与实现
3、借助相关框架实现深度学习相关应用(图像识别/人脸识别/文字识别)
1、能够实现表情识别的小应用
2、能够实现图像识别
02 深度学习框架篇:TensorFlow从上手到项目实战

课时:3天

TensorFlow 表达了高层次的机器学习计算,大幅简化了第一代系统,并且具备更好的灵活性和可延展性。TensorFlow一大亮点是支持异构设备分布式计算,它能够在各个平台上自动运行模型,从手机、单个CPU / GPU到成百上千GPU卡组成的分布式系统。
本课程从TensorFlow的背景介绍,安装基本环境开始讲起,到TensorFlow常见API、方法的使用。TensorFlow中常用的各模块,结合实例详解,TensorFlow高级使用介绍,如过拟合(Overfitting),归档与提取,迁移学习等,并结合实例详解,最后通过一个小项目:利用TensorFlow实战-构造CNN实现手写识别系统,对上述知识点做一完整演练。
1、TensorFlow的背景介绍,安装、基本环境
2、TensorFlow常见API、方法的使用
3、TensorFlow高级使用介绍:过拟合(Overfitting),归档与提取,迁移学习等
4、项目实战:利用TensorFlow实战-构造CNN实现手写识别系统
1、了解TensorFlow的基本安装与开发环境
2、掌握TensorFlow的常见API方法的使用
3、了解TensorFlow的高级使用技巧,如:过拟合,归档与提取,迁移学习等
1、利用python类库实现更加高级的数据处理
2、可以把爬虫获取到的数据存放到数据库中
3、熟练使用Python进行数据持久化工作
03 深度学习项目篇:基于Tensorflow的新闻阅读与个性化搜索

课时:1天

此课程的背景是一个"新闻阅读与个性化搜索"项目。
课程中用到神经网络和深度学习等方面的技术,以词向量技术为基础,并采用了微软的一篇论文所公开的技术,实现对新闻的T字形关键词提取。该项目目的旨在对新闻的文本进行处理,可以有效帮助读者更轻松快速地阅读和理解新闻。在此基础上,更可以进一步实现新闻的个性化搜索
1、深度学习基础知识精讲
2、项目背景与开发运行环境
3、word2vec词向量的原理
4、word2vec的神经网络模型
5、word2vec代码剖析之cbow
6、word2vec代码剖析之skip-gram (上)
7、word2vec代码剖析之skip-gram (中)
8、word2vec代码剖析之skip-gram(下)
9、项目代码运行及结果分析
10、项目总结
1. 熟悉Tensorflow的编程框架和常用编程技巧,数据结构。
2. 理解word2vec的原理以及实现方式,应用场景。
3. 了解自然语言处理和文本分析的行业应用。
能够利用TensorFlow框架实现更复杂的一些人工智能、深度学习的应用
04 深度学习项目篇:基于Tensorflow深度学习实现的人脸识别系统

课时:2天

本课程为利用卷积神经网络实现人脸识别的实战课程,考虑到学员的不同需求,本课程采用循序渐进的方法,先介绍深度学习框架(TensorFlow)的基础知识,然后,用TensorFlow实现一个不用激活函数的简单的神经网络、然后实现一个带激活函数的多层感知器算法、最后介绍卷积神经网络架构及原理,最后通过人脸识别实际案例,具体演示如何构建一个人脸识别模型。
本课程涉及TensorFlow、Python基础知识、神经网络原理、卷积神经网络架构及原理,同时包括对深度学习整个过程的详细说明及代码实现,具体包括获取数据、预处理数据、构建卷积神经网络涉及的变量、各层级等、训练模型、测试模型、优化模型、并对结果进行可视化,同时对中间过程的关键环节进行可视化等。
第一章 项目简介
第二章 TensorFlow基础
第三章 神经网络基础
第四章 神经网络(多层)实战
第五章 卷积神经网络架构及原理
第六章 卷积神经网络-人脸识别实战案例
第七章 项目小结
1、熟悉神经网络、卷积神经网络的架构、原理
2、熟悉TensorFlow、Python;
3、掌握如何使用TensorFlow或Python定义和实现卷积神经网络;
4、掌握如何利用卷积神经网络解决图形识别问题:
5、了解深度学习的训练过程、调优方法、调优过程等。
能够利用TensorFlow框架实现更复杂的一些人工智能、深度学习的应用
05 深度学习框架篇 - Keras从入门到实战(卷积、循环神经网络、图像识别、情感分析)

课时:2天

Keras 提供了一个更简单,快捷的方式让你可以在 TensorFlow 中构建并训练模型,因为模型仍然是由 TensorFlow 引擎运行的,所以不会影响性能。所以如果你关心你自己的时间和生产效率的话,你就应该关注 Keras。
Keras 是一种真正的深度学习框架:一种精心设计的可以用来构建深度学习模型的 API,只需要将高层次的构造模块拼接到一起就可以了。而且因为 Keras 运行在 TensorFlow 或 Theano 之上,所以相比于使用其它更低层次的框架,使用 Keras 没有性能上的成本.
本课程详细介绍了Keras从基本的安装开始,到配置使用,涉及卷积、循环神经网络、图像识别、情感分析,为后继的深度学习打下基础
# Keras 简介
1.1 科普: 人工神经网络 VS 生物神经网络
1.2 什么是神经网络 (Neural Network)
1.3 神经网络 梯度下降
1.4 科普: 神经网络的黑盒不黑
1.5 Why Keras?
1.6 Keras 安装
1.7 兼容 backend
# 如何搭建各种神经网络
2.1 Regressor 回归
2.2 Classifier 分类
2.3 什么是卷积神经网络 CNN (Convolutional Neural Network)
2.4 CNN 卷积神经网络
2.5 什么是循环神经网络 RNN (Recurrent Neural Network)
2.6 什么是 LSTM 循环神经网络
2.7 RNN Classifier 循环神经网络
2.8 RNN Regressor 循环神经网络
2.9 什么是自编码 (Autoencoder)
2.10 Autoencoder 自编码
其他应用
1、了解Keras的基本安装配置
2、掌握Keras的常用API的使用
3、了解利用如何keras实现各种卷积神经网络
4、掌握如何利用Keras实现深度强化学习
能够利用 Keras 框架实现更复杂的一些人工智能、深度学习的应用

5大阶段,40+课程,16+经典案例,4大商业项目实战 实现向人工智能的华丽转型

课程时长:约66天,每天不低于6小时 授课方式:线下面授 + 翻转课堂(部分课程结合平台在线课程)

阶段五:专家级

此阶段为我们整个课程的第五阶段,笑傲江湖,专家级阶段。本阶段偏大数据+人工智能及真实项目实战,大数据部分侧重于大数据快速入门及大数据分析并结合人工智能的一些具体应用,项目主要对时下流行且主流的人工智能/机器学习的项目为主线进行讲解。直接拿阿里天池大赛、 Kaggle数据竞赛数据,通过具体的项目实战机器学习、数据分析\挖掘,让学员对之前所学的知识得到充分应用,从而达到融会贯通、举一反三的目的。借助四大商业级项目实战,让学员对推荐系统、大数据下的人工智能应用有一个全面的理解与认识,让学员在工作中有机会冲击数据科学家工作岗位,从而成为这个领域的专家

  • 重要程度:
  • 难度级别:
序号 课程名称 课程介绍 学习内容 课时目标 学完后做什么
01 大数据分析Hadoop及Python实现

课时:1天

本部分抽取出做大数据分析之必知必会的虚拟机搭建、Linux常见命令和Hadoop内容,重点讲解了Python中如何与Hadoop结合实现离线数据分析,最后通过一个“股票分析案例“对上述内容进行全程演练,让学员彻底掌握这块内容 1、大数据框架Hadoop介绍、MapReduce思想
2、使用QuickStart VM快速搭建环境、数据基本存储命令
3、案例一:Python实现Hadoop MapReduce 词频统计
4、案例二:Python实现Hadoop MapReduce 的IBM股票价格数据分析
5、案例二:Matplotlib绘图展示分析结果
1、了解什么是大数据,大数据基本环境及相关配置
2、了解什么是Hadoop,什么是MapReduce
3、掌握Python中如何与Hadoop结合实现数据分析
1、对大数据有了一个基本的认识
2、能够用Python根据需求写一个MapReduce程序在Hadoop平台中运行
02 大数据分析框架PySpark基本使用

课时:1天

PySpark是目前企业中主流在使用进行大数据平台下的一个框架,把现在主流的Python及Spark结合起来使用,即利用到了Python强大的数据分析功能,又利用了Spark强大的实时功能。本课程详细介绍了PySpark框架的安装、配置、常见API,使用技巧等,并结合”航班信息分析“案例对上述内容全程演练 1、Spark简介、环境搭建
2、Spark 核心、Jupyter Notebook使用
3、词频统计:WordCount
4、使用PyCharm对航班信息数据分析
1、了解什么是Spark
2、掌握基本的Spark+Python的开发环境搭建
3、掌握基本的框架常见API的使用
1、能够对Spark有一个基本的理解
2、能够搭建起一个PySpark开发环境
3、能够结合业务编写一个简单的PySpark小应用
03 PySpark分析某航天中心服务器日志

课时:2天

数据分析里有一个典型的应用就是日志分析,本课程在前一个课程的基础上更侧重于实际应用。通过一个完整的”航空信息日志“在PySpark中的数据分析,使学员短时间内掌握PySpark的一些高级技巧,使用学员对该框架的理解和使用更上一个台阶 1、服务器日志读取解析
2、日志数据采样统计概览
3、基于不同需求分析日志数据
4、分析展示404响应日志数据
1、了解日志数据的获取与解析
2、掌握日志数据的特点与常见日志需求
3、掌握如何在PySpark中对日志数据分析的相关技巧
1、能够了解常见的日志数据的格式与解析
2、能够结合业务利用PySpark框架对于不同系统的离线日志进行分析
04 大数据Hive集成Python分析

课时:2天

本课程主要讲解了Hive如何结合PySpark框架进行数据的分析。本课程不仅停留在理论层面,而是全程案例贯穿,通过一个“影评数据分析系统”完整的演示了Hive SQL 如何与PySpark集成分析的全过程 1、大数据SQL分析框架Hive使用
2、HQL结合Python脚本影评数据分析
3、PySpark与Hive集成分析
4、基于SQL和DSL的PySpark分析
1、了解什么是Hive,应用场景
2、掌握Hive如何与PySpark集成
3、掌握Hive如何与PySpark结合进行大数据分析
1、能够独立完成Hive与PySpark的集成
2、会使用Hive+PySpark结合业务做数据分析
05 大数据机器学习语言基础 - SCALA

课时:3天

Scala语言具备面向对象和函数式两种编程范式,为程序设计带来了更大的灵活性和方便性。本门课程将简明扼要地介绍Scala的语言基础。完成本课程的学习后,同学们将对函数式编程有初步的认识,也能够编写简单的Scala代码。 1、SCALA 环境安装搭建和IDEA初步使用
2、变量、数据类型、流程控制语句
3、函数式编程:函数定义、匿名函数、高阶函数、可变参数函数等
4、Scala 集合:可变和不可变、列表List、元祖Tuple及Set和Map及常见高阶函数4、Scala OOP、模式匹配、隐式转换
1、了解Scala语言优势
2、掌握如何安装配置Scala环境
3、掌握Scala中变量声明
4、熟练使用Scala中高阶函数和匿名函数
5、理解Scala模式匹配和隐式转换
6、掌握Scala中集合类及List列表中常见高阶函数的使用
本阶段完成可以为后续Spark和Kafka学习查看源码打下基础,更好的理解Spark框架的精髓,企业中很多是基于Scala语言编写代码分析数据的。
06 Spark MLlib机器学习

课时:2天

本课程主要讲解Spark MLlib,Spark MLlib是一种高效、快速、可扩展的分布式计算框架;实现了常用的机器学习,如:聚类、分类、回归等算法。本课拒绝枯燥的讲述,将循序渐进从Spark的基础知识、矩阵向量的基础知识开始,然后再透彻讲解各个算法的理论、详细展示Spark源码实现,最后均会通过实例进行解析实战,帮助大家真正从理论到实践全面掌握Spark MLlib分布式机器学习。 1、机器学习 简要概述和基本概念
2、初步认识SparkMLlib中API
3、机器学习类别及开发流程
4、机器学习经典技术架构
5、机器学习编程开发
6、回归案例:预测Bike sharing系统每小时自行车的出租次数
7、推荐系统概述及效果评估方式
8、协同过滤算法
9、交替最小二乘法
1、了解机器学习、深度学习和人工智能区别
2、熟悉Spark Mllib中的机器学习类库
3、掌握机器学习编程开发步骤
4、理解推荐系统
5、掌握推荐系统的两类金典算法及使用
可以全面掌握Spark MLlib机器学习,进而能够在实际工作中进行MLlib的应用开发和定制开发。

5大阶段,40+课程,16+经典案例,4大商业项目实战 实现向人工智能的华丽转型

课程时长:约66天,每天不低于6小时 授课方式:线下面授 + 翻转课堂(部分课程结合平台在线课程)

阶段六:综合项目演练篇

此阶段为我们整个课程的第六阶段

  • 重要程度:
  • 难度级别:
序号 项目名称 项目介绍 时长/周期 技术关键字
01 项目实战一:基于FP-growth算法实现的新闻网站流量点击分析系统 在新闻网站上,一个会用户不断点击和浏览各种新闻报道,最终该用户的这些点击会被记录下来,成为该用户点击的历史记录。而所有用户的点击历史记录,是一个蕴含了巨大价值的数据集。我们可以从各个角度,使用不同的方法来进行有价值的挖掘,并应用到不同的任务中去。
本项目就是从用户点击的历史记录中,挖掘频繁项集,以便知道哪些新闻报道是经常关联在一起的。从而为网站的新闻版面排版,新闻推荐等提供科学的参考。主要涉及到FP-growth、FP-tree等算法的综合运用
1天 1、项目背景
2、 FP-growth算法的原理
3、Python代码实现
02 项目实战二:基于聚类(Kmeans)算法实现的客户价值分析系统 客户价值分析其实就是一个客户分群问题。是以客户为中心,先从客户需求出发,搞清楚客户需要什么,他们有怎么样的一个特征,他们需要什么样的产品,然后我们再回头设计出相应的产品,以满足客户的需求。
之所以要进行客户价值分析,就是商家为了避免闭门造车,主观臆断客户需要什么什么什么。随着数据量不断增大,传统的拍脑袋做决定的决策方式,变得越来越过时了。
那具体到我们这个项目呢,我们这个项目的背景是某电信运营商,该运营商需要以客户为中心,按照客户的需求,在对客户特点的了解上,推出不同的资费套餐和营销手段,以便更好地留住现有客户,吸引新的客户。
1天 1、项目背景
2、聚类模型算法简介
3、kmeans算法原理
4、kmeans算法Python代码实现
5、kmeans算法优化
03 项目实战三:基于LVD、贝叶斯模型算法实现的电商行业商品评论与情感分析案例实战 现在大家进行网购,在购物之前呢,肯定会看下相关商品的评论,看下好评和差评,然后再综合衡量,最后才会决定是否购买相关的商品。甚至有不少的消费者已经不看商品详情描述页了,而是直接看评论,然后决定是否下单。商品评论已经是用户决策最为核心的考量因素了。
那么生产商或者卖家呢,其实他们也会根据评论里讲到的一些要点,比如说有哪些优点,可以继续发扬;又有哪些缺点,今后可以做继续的改善。
那么我们这次的课程,也是对商品好评和差评的情况,做一个分析。并提取出关键词来,帮助我们快速地了解一件商品的好和不好的地方。课程涉及的经典算法是:LDA及贝叶斯模型
1天 1、LDA主题模型
2、SVD算法
3、LDA模型调优
4、贝叶斯模型
04 项目实战四:基于SVD协同过滤算法实现的电影推荐系统 协同过滤推荐技术是推荐系统中应用最早和最为成功的技术之一。它一般采用最近邻技术,利用用户的历史喜好信息计算用户之间的距离,然后 利用目标用户的最近邻居用户对商品评价的加权评价值来预测目标用户对特定商品的喜好程度,系统从而根据这一喜好程度来对目标用户进行推荐。协同过滤最大优 点是对推荐对象没有特殊的要求,能处理非结构化的复杂对象,如音乐、电影。
协同过滤是基于这样的假设:为一用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户,然后将他们感兴趣的内容推荐给此用户。其基本 思想非常易于理解,在日常生活中,我们往往会利用好朋友的推荐来进行一些选择。协同过滤正是把这一思想运用到电子商务推荐系统中来,基于其他用户对某一内 容的评价来向目标用户进行推荐。
本课程系结合Kaggle竞赛中的电影推荐赛题,详细介绍经典推荐系统算法,例如SVD矩阵分解和协同过滤等
2天 1、协同过滤算法
2、推荐系统
3、SVD矩阵分解
4、sk-learn框架
5、tensonflow
6、数据的获取、过滤、清洗、处理全过程
05 项目实战五:基于OpenCV、随机森林算法实现的图像分类识别系统 该系统针对图片分类问题进行分析和讨论,旨在提取图片中的脸部轮廓,利用图像的详细信息对比不同图片中的相似度,从而实现对相册图片的自动分类管理。利用OpenCV中提供的图像检测和图像识别的功能,即使用哈尔小波变换(Haar)和Adaboosting算法进行检测,找出图片中特定区域,进而使用局部二进制模式直方图(LBPH)对人脸进行预测,获得两张图片之间的相似度,依照目录整理后,可达到图片按图片分类的效果。在此基础上设计用户操作界面,实现简易、快捷的操作。软件测试结果表明,该软件图像检测和图像匹配的成功率较高,为生活提供了便利。 2天 一、 涉及算法:
1、 OpenCV
2、逻辑回归
3、支持向量机(SVM)
4、随机森林
二、 评估模型指标:
1、精确度(Precision)
2、召回率(Recall)
3、F1值(F1 score)
三、涉及数据的获取、过滤、清洗、处理信全过程
06 项目实战六:基于NLP自然语言构建的文档自动分类系统 随着互联网技术的迅速发展与普及,如何对浩如烟海的数据进行分类、组织和管理,已经成为一个具有重要用途的研究课题。而在这些数据中,文本分类有着广泛的应用场景,例如: 新闻网站包含大量报道文章,基于文章内容,需要将这些文章按题材进行自动分类。 在电子商务网站,用户进行了交易行为后对商品进行评价分类,商家需要对用户的评价划分为正面评价和负面评价,来获取各个商品的用户反馈统计情况。 电子邮箱频繁接收到垃圾广告信息,通过文本分类技术从众多的邮件中识别垃圾邮件并过滤,提高了邮箱用户的使用效率。 媒体每日有大量投稿,依靠文本分类技术能够对文章进行自动审核,标记投稿中的色情、暴力、政治、垃圾广告等违规内容。 本项目属于文本挖掘(自然语言处理NLP)领域的一个经典应用案例,项目目标是开发一个算法,能自动的对给定的每一篇文章进行频道分类,例如分为“爱情类”,“武侠类”,“伦理类”等。涉及到的新技术会包含中文分词,TF-IDF算法,Word2Vec算法等,最后还是会通过机器学习的分类算法来实现自动分类。 1天 1、自然语言处理(NLP)
2、Word2Vec算法
3、TF-IDF算法
4、文本挖掘技术
5、分类算法
6、数据的获取、过滤、清洗、处理信全过程
07 项目实战七:Kaggle经典AI项目:预测房价系统全程实战 这是一个基于Kaggle竞赛的一个实际项目。Kaggle 的房价预测竞赛从 2016 年 8 月开始,到 2017 年 2 月结束。这段时间内,超过 2000 多人参与比赛,选手采用高级回归技术,基于我们给出的 79 个特征,对房屋的售价进行了准确的预测。我们课程主要介绍的是目前得票数最高的优胜方案:《用 Python 进行全面数据探索》,该方案在数据探索,特征工程上都有十分出色的表现。 1天 1、方差筛选法
2、高程对相关性去除
3、Filter过滤法
4、Wrapper包装法
5、Embedded嵌入法
08 项目实战八: 基于RFM模型实现的零售精准营销响应预测系统 项目背景:零售行业中,商家可以搜集到顾客完整的消费记录,如何从中挖掘客户的消费特征和价值,以及如何有针对性的对客户进行精准营销,这是商家最关注的问题,也是CRM的核心应用场景。
业务目标:如何评估客户价值、如何筛选最优质的客户进行精准营销、预测客户的营销响应度
涉及算法:
-逻辑回归
-决策树
-支持向量机
-随机森林
1天 分类模型算法:
1-逻辑回归
2-决策树
3-支持向量机
4-随机森林
5-......
模型训练与评估:
1-变量重要性分析
2-模型训练
3-模型评估和选择
09 项目实战九:天猫、京东电商 双11 实时商品推荐展示分析平台 对于电商、金融、电信、交通等行业,需要对用户购物数据、现金消费数据、上网浏览数据及路况状态数据进行实时统计分析与展示,以便实时商品推荐和货量调度、实时交易风控及实时交通监控和疏导。由于此类数据产生快且多,业务本身需要数据产生之时就要进行实时快速的处理,以便进行展示。当前大数据分析技术框架中,实时流式计算框架Strom和SparkStreaming被逐渐使用,比如电商公司的销售营业额的实时统计(Storm/JStorm),苏宁顺丰的物流实时追踪监控(SparkStreaming)等都是实时的数据分析处理。 2天 业务数据:
银行信用卡实时消费数据
电商(淘宝、饿了么等)实时订单数据
门户网站的广告实时点击数据
业务技术:
订单数据通过自定义SDK将数据存储到KAFKA TOPIC
Spark实时从KAFKA TOPIC中接收数据,进行实时订单销售额统计,继而将结果存到Redis内存数据库中,以便Web前端可是异步实时的刷新页面获取销售额实时展示
广告点击数据写入日志文件中,通过Flume实时的收集到KAFKA的TOPIC
SparkStreaming实时接收KAFKA中数据,进行实时窗口范围内数据分析,将数据存储到RDBMS表中,前端异步刷新进行展示
采用Echarts进行实时展示
10 项目实战十:基于Mahout、Spark Mlib实现的推荐系统(电影推荐、社交推荐) 推荐系统是大数据中最常见和最容易理解的应用之一,最著名的应用恐怕就是亚马逊公司的推荐引擎,其为浏览Amazon.com网站的用户提供个性化的内容。但是不仅仅只有电子商务公司会用推荐引擎为用户提供额外的商品,推荐系统也可以被用在其他行业,以及具有不同的应用中使用,从推荐音乐、活动、产品到约会对象。本课程主要讲述了大数据环境的下推荐系统从零搭建的全过程,通过两个项目实现全程内容贯穿,主要课程目标如下:
目标一:掌握推荐系统的原理
目标二:能够基于mahout、spark MLlib进行推荐系统的开发
2天 1.项目背景概述
2.推荐系统概述
3.结合实例讲解算法的应用
4.集群环境的讲解
5.社交推荐实战
6.电影推荐讲解
7.课程总结
11 商业项目实战-01:基于AI人脸识别技术实现的“仿美颜相机-自拍坊”企业级应用 本课程是由十几年工作经验的一线资深软件开发工程师、人工智能应用开发工程师将自己在实际工作中涉及到的项目拿出来为大家做的一个分享,模仿了:美颜像机自拍加特效的核心功能实现,是一个有料有趣的应用,项目虽小,但功能技术点确非常的多,包括但不限于:人脸识别技术应用、摄像头的控制、图像库的处理,GitHub的使用等 。代码略加改造即可应用在实际工业生产项目中,可以讲是一个集趣味,技术,算法与商业应用为一体的课程,具有很高的实用价值! 1天 课程主要包括以下内容:
1. 实例展示 (双击运行程序,打开摄像头,识别到人脸,添加墨镜、胡须特效)
2. 环境搭建(安装 git, python, 依赖等)
3. Git 以及 github 介绍,编程工作流介绍(如何管理代码,提交代码等;简单测试代码编写演示)
4. 写一个打开摄像头、并且将画面显示在窗口上的程序
5. 识别人脸位置,并在人脸位置处画一个方框
6. 识别脸的的轮廓,并标注出特征点(眼睛、鼻子、嘴巴)
7. python 图形图像处理库的介绍
8. 图像的叠加详解
9. 在人脸识别基础上,在眼睛处添加一个墨镜效果
10. 在人脸识别基础上,在鼻子下嘴巴上添加一个胡须效果
12 商业项目实战-02:基于深度学习的CT图像肺结节自动检测技术(深度学习在医疗行业的实践应用\CPU、GPU两套运行环境) 传统医疗图像检测的问题:根据相关研究表明:中国每年医学影像增速达到了30%,而放射科医生的年增长率仅为4.1%, 远远低于影像数据的增长,需求缺口不断加大,医生数量的不足导致工作量繁重,超负荷工作也会导致误诊率和漏诊率提高。
AI的优势:高效性:人工智能能够快速完成初筛,交由医生进行判断,能够大幅缩短医生阅片时间。全面性。一张图片医生会根据经验挑重点可疑区域来现察.而机器可以完整地观察整张切片而无遗漏;稳定性。机器不需要休息,不会受到疲劳状态影响。其诊断结果能保持完全的客观、稳定和复现。
本课程是由一线的深度学习工程师结合实际商业医疗的应用场所景给出的一套解决方案,涉及大量的深度学习技术,并给出了CPU、GPU两套运行环境,具有非常强的学习与商业应用价值!
2天 课程涉及的主要技术与算法:
- Python图像处理库的使用: opencv, scikit-image
- Python医学影像处理库的使用: pydicom,SimpleITK
- Python深度学习框架的使用: Keras, Tensorflow
- 卷积神经网络的基本训练技巧
- 卷积神经网络的基本调参技巧
下载全部课程表

上海市普陀区中山北路3553号4楼

Copyright © 2008-2018 上海容大教育培训有限公司 备案号:沪ICP备12015846号-1

账号登录
手机号快捷登录
还没有账号, 现在 注册
资料下载

人工智能+大数据 全栈开发工程师 课程大纲 .pdf