| 1 |
概率论基本知识以及机器学习的基本模型 |
| 内容 |
说明 |
| 概率论基础知识 |
概念 概率 概率密度 |
| 高斯分布 |
| 贝叶斯理论 先验概率 后验概率 |
| 机器学习基本模型和理论 |
特征 数据空间的表示 |
| 模型 |
| 目标函数 |
| 模型训练（优化） |
| 模型预测 |
| 实验的基本原则 |
| 数据集的生成方法 |
| 模式识别的分类 |
监督学习 分类 |
| 无监督学习 聚类 |
| 半监督学习（semi supervised learning）基本思想 |
| 模型识别的基本问题 |
回归（预测） regression |
| 分类 classification |
| 聚类 cluster |
| 常用模型分类 |
线型模型 非线型模型 |
| 产生式模型 区分式模型 |
| 2 |
监督学习-常用模型 |
| 内容 |
说明 |
| k-近邻算法 |
手写识别系统 |
| 决策树 |
决策树的构造 |
| 使用决策树预测隐形眼镜类型 |
| 贝叶斯分类 |
文本分类 |
| 支持向量机（SVM） |
SVM的基本理论 |
| 核函数对应的特征变换 |
| 手写识别问题优化 |
| 多模型融合 |
数据多样性的构建 |
| AdaBoost的基本理念 |
| sigmoid分类 |
参数训练 |
| 多层感知机 |
| 3 |
非监督学习（需要进一步准备） |
| k-means |
| Apriori算法进行关联分析 |
| FP-Growth算法 |
| 4 |
模型进阶 |
| 线性模型 |
模型参数训练 |
| 最小均方误差 |
| 过度适应 |
| 模型的表示能力 |
| GMM |
模型参数训练 |
| 用于分类 |
| DNN |
理论 |
| 梯度训练算法 |
| 5 |
特征变换 |
| LDA |
线性判别分析 |
| PCA |
有成分分析 |
| fMLLR |
特征最大似然线性回归 |
| SVD |
| 6 |
其它（可选） |
| 语音识别 |
| 语音合成 |
| 说话人识别 |
如果您想学习本课程，请
预约报名
如果没找到合适的课程或有特殊培训需求，请
订制培训
除培训外，同时提供相关技术咨询与技术支持服务，有需求请发需求表到邮箱soft@info-soft.cn,或致电4007991916
技术服务需求表下载请点击
服务优势：
丰富专家资源，精准匹配相关行业，相关项目技术精英，面向用户实际需求，针对性培训或咨询，互动式交流，案例教学，精品小班，实际工程项目经验分享，快捷高效，节省时间与金钱，少走弯路与错路。
专家力量：
中国科学院相关研究所高级研究人员
西门子，TI,vmware，MSC,Ansys，MDI，Mentor, candence,Altium,Atmel 、Freescale,达索，华为等
大型公司高级工程师，项目经理，技术支持专家
中科信软培训中心，资深专家或讲师
大多名牌大学，硕士以上学历，相关学历背景专业，理论素养高
多年实际项目实践，大型复杂项目实战案例分享，热情，乐于技术分享
针对客户实际需要，真实案例演示，互动式沟通，学有所值
