培訓模塊

培訓內容

機器學習與線性回歸算法

線性回歸實現銷售數據預測

1. 線性回歸介紹與公式推導

2. 多變量線性歸回歸與梯度下降

3. 預測銷量與廣告投放相關性預測

4. 數據升維與PCA降維

5. 數據歸一化與模型優化

6. 欠擬合與過擬合

7. 訓練結果的可視化

8. 保存模型與再加載

邏輯回歸與決策樹實戰

邏輯回歸之信用卡反欺詐預測 

1. 項目背景與需求分析

2. 特征工程之標準化

3. 基本預處理操作

4. 上采樣與下采樣

5. 混淆矩陣可視化函數

6. 模型的訓練與準確率,精確率,召回率

決策樹、集成學習識別銀行高風險貸款 

1. 信息增益與算法原理介紹

2. 數據分析、特征工程

3. 模型訓練與優化參數

4. 隨機森林、正向激勵算法

5. 采用決策樹識別高風險貸款

Tensorflow2.3 神經網絡

深度學習與深度神經網絡實踐

1. Tensorflow安裝

2. Tensorlfow基礎知識

3. Tensorflow線性回歸

4. Tensorflow非線性回歸

5. Mnist數據集合Softmax講解

6. 使用BP神經網絡搭建手寫數字識別

7. 交叉熵(cross-entropy)講解和使用

8. 過擬合,正則化,Dropout

9. 各種優化器Optimizer

10. 改進手寫數字識別網絡 

11. 模型保存與載入 

深度學習之卷積神經網絡

CIFAR圖形圖像識別項目

1. CIFAR項目需求介紹

2. 分析愛data_batch數據集

3. CNN卷積神經網絡介紹

4. 卷積、深度、池化、步長、激活函數

采用CNN完成CIFAR物體分類

1. 人臉識別數據集與算法介紹

2. 模型結構設計

3. 人臉損失函數設計

4. 模型與參數調優

Keras 神經網絡框架

Keras理論介紹最佳實戰

1. Keras神經網絡框架介紹

2. 基于Keras情感類分析

3. 動物分類器實現

4. 采用Keras實現非線性回歸

5. 生成式對抗神經網絡原理及應用

6. 模塊結構分析與優化策略

7. 采用Keras重構TensorFlow項目

Open CV計算機視覺技術

OpenCV的人臉識別

1. OpenVINO框架介紹與安裝測試

2. OpenCV DNN中使用IE模塊加速

3. 轉化工具與IE模塊加速

4. 準備人臉數據

5. CV掃描圖像、平滑、擴張實現

6. DNN神經網絡識別人臉

7. 測試與調優操作

8. 基于Open CV DNN 構建車輛與車牌檢查模型

YOYO目標識別框架技術

YOYO目標識別框架介紹

1. 標檢測任務介紹

2. RCNN/Fast-RCNN/Faster-RCNN算法介紹

3. YOLO算法介紹

4. 目標分割任務介紹

5. 全卷積網絡

6. 雙線性上采樣

7. 特征金字塔

8. Mask RCNN算法介紹

9. 目標分割項目實戰

圖數據庫與構建知識圖譜

知識表示與建模

1. 知識圖譜核心技術：知識推理

2. 知識圖譜應用場景與抽取概述介紹

3. 本體知識推理與任務分類

4. 實體與關系、事件抽取技術

5. 采用TxtCnn、CRF完成知識抽取

6. 采用RNN、LSTM完成知識抽取

知識存儲與問答機器人構建

1. 知識存儲neo4j常用數據庫

2. Cyhper語言介紹

3. 采用Py操作Neo4j數據庫

4. 基于知識圖譜問答機器人構建

知識圖譜概述

1.知識圖譜（KG）概念

2.知識圖譜的起源與發展

3.典型知識圖譜項目簡介

4.知識圖譜技術概述

5.知識圖譜典型應用

知識表示

1.基于符號主義的知識表示概述

1.1 謂詞邏輯表示法

1.2 產生式系統表示法

1.3 語義網絡表示法

2 知識圖譜的知識表示

2.1 RDF和RDFS

2.2 OWL和OWL2

2.3 Json-LD與RDFa、MicroData

2.4 SPARQL查詢語言  

3 知識建模實戰 Protege

知識圖譜核心基礎技術（一）

神經網絡與深度學習

1.經網絡基本原理

2.神經網絡應用舉例

3.深度學習概述

4.主流深度學習框架

4.1 TesorFlow

4.2 Caffe

5.卷積神經網絡（CNN）

5.1 CNN簡介

5.2 CNN關鍵技術:局部感知、卷積、池化、CNN訓練

5.3 典型卷積神經網絡結構

5.4 深度殘差網絡

5.5 案例：利用CNN進行手寫數字識別

知識圖譜核心基礎技術（二）

 基于深度學習的自然語言處理

1.循環神經網絡（RNN）概述

2.基本RNN

3.長短時記憶模型(LSTM)

4.門控循環單元（GRU）

5.知識圖譜向量表示方法

5.1 向量表示法

5.2 知識圖譜嵌入

知識抽取與融合

1.知識抽取主要方法與方式

1.1 主要方法

1.2 主要方式

2 面向結構化數據的知識抽取

2.1 Direct Mapping

2.2 R2RML

3.面向半結構化數據的知識抽取

3.1 基于正則表達式的方法

3.2 基于包裝器的方法

4.面向非結構化數據的知識抽取

4.1 實體抽取
4.2 關系抽取

4.3 事件抽取
5.識挖掘

5.1知識挖掘流程

5.2 知識挖掘主要方法

6 知識融合

6.1 本體匹配
6.2 實體對齊

存儲與檢索

1.知識存儲與檢索基礎知識

2.知識圖譜的存儲方法

2.1基于關系數據庫的存儲
2.2 基于RDF數據庫的存儲

2.3 原生圖數據庫Neo4j存儲

3.圖譜構建實踐 NEO4J

知識圖譜案例

 基于Neo4j人物關系知識圖譜存儲與檢索