人工智能、机器学习& TensorFlow+Keras框架实践培训课程

培训目标：

了解人工智能与机器学习知识体系
学习机器学习基础算法
学习机器学习进阶算法
演练机器学习实战项目
了解深度学习基础
学习深度学习基本原理
进行深度学习模型原理解析
学习深度学习框架实践Tensorflow
学习使用 Keras 进行深度学习

人工智能初览	人工智能基本概念人工智能的核心技术人工智能的应用领域介绍
第一阶段初探机器学习	1. 机器学习要解决的问题2. 有监督无监督问题 3. 机器学习能做什么 4. 感知器-线性分类 5. 线性回归原理,推导 6. 实例：预测泰坦尼克船员能否获救 7. K近邻算法原理 8. K近邻算法代码实现
第二阶段机器学习基础算法	1. 逻辑回归算法原理,推导 2. 逻辑回归代码实现 3. 多分类问题解决方案 4. 一对一分类,一对多分类 5. 决策树算法模型 6. 熵原理,信息增益 7. 决策树构建 8. 决策树代码实现 9. 贝叶斯算法原理 10. 贝叶斯代码实现
第三阶段机器学习进阶算法	1. 自适应增强算法代码 2. 线性支持向量机算法原理推导 3. 支持向量机核变换推导 4. SMO求解支持向量机 5. 随机森林算法原理 6. 使用随机森林衡量选择特征标准 7. 实例：使用随机森林改进泰坦尼克获救预测 8. 聚类算法综述 9. K-MEANS与DBSCAN算法讲解
第四阶段机器学习实战项目	1. 特征提取 2. 预处理，归一化 3. 分类解决方案 4. 聚类解决方案 5. 二分图，转移矩阵原理
第五阶段深度学习基础	1. 人工智能深度学习历史发展及简介 2. 得分函数 3. 损失函数 4. 正则化 5. Softmax分类器原理 6. 最优化问题 7. 梯度下降 8. 反向传播
第六阶段，深度学习基本原理	1、深度学习简介 2、深度学习成功应用 3、深度学习与神经网络的对比 4、深度学习的训练过程 5、深度学习的具体模型自动编码器稀疏自动编码器降噪自动编码器 6、深度学习应用案例
第七阶段，深度学习模型原理解析	1、 CNN CNN模型的推导与实现 CNN的反向求导及练习 CNN应用：文本分类 CNN 常见问题总结 2、 RNN RNN模型的推导与实现 RNN的反向求导及练习 RNN应用：个性化电影推荐 RNN常见问题总结 3、 LSTM LSTM模型的推导与实现 LSTM的反向求导及练习 LSTM应用：文本识别 LSTM常见问题总结 4、 DNN DNN模型的推导与实现 DNN的反向求导及练习 DNN应用：CTR预估 DNN常见问题总结 5、广告搜索中深度学习的应用查询意图识别：CSR 文本相关性：Word2Vec。DSSM CTR预估：DNN、MxNet 图像理解：VGGNet、CNN
第八阶段，深度学习框架实践Tensorflow	Tensorflow框架介绍 TensorFlow和其他深度学习框架的对比 Tensorflow 架构 Tensorflow 基本使用 TensorFlow实现多层感知机 TensorFlow实现卷积神经网络 Tensorflow 实现循环神经网络 Tensorflow 实现LSTM TensorFlow实现深度强化学习实战：TensorFlow进行机器学习和深度学习案例实践。
第九阶段，使用 Keras 进行深度学习	Keras 简介 Keras与TensorFlow比较 Keras的模块结构 Keras 中的模型 Keras 支持的对象概念 Keras 中的数据处理