Python 数据分析与机器学习

【培训对象】
计算机相关专业本科；或理工科本科，且至少熟悉一门编程语言。

【培训收益】
 掌握 Python 基本开发技能  掌握数据分析与机器学习基本知识；  掌握数据分析与机器学习进阶知识；  掌握深度学习的理论与实践；  掌握深度学习工具：TensorFlow 等；  为学员的后续项目应用提供针对性的建议。

【课程大纲】（培训内容可根据客户需求调整）
时间 内容 案例实践与练习
Day1 上午
实验环境搭建
数据预处理
实验环境搭建
1、 anaconda 包的安装
2、pip install 的技巧
3、最简版的 python 教程
4、通过 anaconda 配置多个环境
5、Jupyter Notebook 的使用
数据预处理
1、 归一化
2、模糊集与粗糙集
3、无标签降维：PCA
4、分解降维：SVD
5、 数据压缩：DFT、小波变换
案例实践： 1、Anaconda（python）安装
2、 Tensorflow 安装
3、 绘图工具包 matplotlib
4、 opencv 包的使用
Day1 下午
回归与时序分析
决策树
聚类
关联规则
回归与时序分析
1、 线性回归
2、非线性回归
3、logistics 回归
4、平稳性、截尾与拖尾
5、ARIMA
决策树
1、 分类和预测
2、熵减过程与贪心法
3、ID3 与 C4.5
4、 其他改进方法
5、 前置剪枝与后置剪枝
聚类
1、 监督学习与无监督学习
2、K-means
3、k-medoids
4、基于层次、密度、网格的方法
5、手肘法确定合理的聚类个数
关联规则
1、 频繁项集
2、支持度、置信度与提升度
3、Apriori 性质
4、连接与剪枝
案例实践： 1、回归的实验
2、 ARIMA 预测实验
3、 各种聚类的区别
4、 鸢尾花数据的决策树分类
Day2 上午
性能评价指标
从朴素贝叶斯到 EM
性能评价指标
1、 混淆矩阵与精确率；
2、P、R 与 F1
3、ROC 与 AUC
4、对数损失
5、泛化性能评价：k 折验证验证
从朴素贝叶斯到 EM
1、 条件概率、联合概率
2、“概率派”与“贝叶斯派”
3、朴素贝叶斯模型
4、极大似然估计
5、对数似然函数
6、EM 算法
案例实践： 1、超市购物篮——关联规则分析
2、 印第安人患糖尿病的风险
3、 绘制 ROC 并计算 AUC、F1
4、 双正态分布的参数估计
5、 Kaggle：泰坦尼克号幸存者分析
Day2 下午
BP 神经网络
支持向量机
遗传算法
BP 神经网络
1、 人工神经元及感知机模型
2、前向神经网络
3、Sigmoid 与 tanh
4、梯度下降
5、误差反向传播
支持向量机
1、 “双螺旋”问题
2、基本模型与惩罚项
3、求解对偶问题
4、核函数：映射到高维
5、从二分类到多分类
6、用于连续值预测的支持向量机
遗传算法
1、 种群、适应性度量
2、 交叉、选择、变异
3、 基本算法
案例实践： 1、可以手算的神经网络
2、 手推一个 BPNN
3、 各种随机梯度下降
案例实践： 1、人脸识别：SVM
2、 “同宿舍”问题：遗传算法
Day3 上午
隐马尔科夫模型
条件随机场
隐马尔科夫模型
1、 马尔科夫过程
2、隐马尔科夫模型
3、三个基本问题（评估、解码、学习）
4、前向-后向算法
5、Viterbi 算法
6、Baum-Welch 算法
条件随机场
案例实践： 1、掷骰子的序列（HMM 前向算法） 2、 我是不是病了？（viterbi 算法）
3、 实现图像轮廓精细分割（CRF）
1、 最大熵原理
2、无向图模型
3、MRF 与 CRF
4、定义在最大团上的势函数
5、线性链条件随机场
Day3 下午
集成学习
强化学习
深度学习初步
集成学习
1、 bagging 系列
2、随机森林
3、boosting 系列
4、Adaboost
5、GBDT 与 Xgboost
6、catboost 与 lightGBM
7、 stacking 系列
强化学习
1、 agent 的属性
2、马尔科夫奖励/决策过程
3、状态行为值函数
4、exploration and exploitation
5、Bellman 期望方程
6、最优策略
7、 策略迭代与价值迭代
8、蒙特卡洛法
9、时序差分法
深度学习初步
1、 连接主义的兴衰史
2、深度学习与 NN 的区别与联系
3、目标函数与激励函数改进
4、梯度下降的改进
5、用于分类的 CNN
6、目标检测
7、 RNN 与 LSTM
8、生成对抗网络（GAN） 

 

叶梓，上海交通大学计算机专业博士毕业，高级工程师。主研方向：数据挖掘、机器学习、人工智能。历任国内知名上市IT企业的AI技术总监、资深技术专家，市级行业大数据平台技术负责人。

 

长期负责城市信息化智能平台的建设工作，开展行业数据的智能化应用研发工作，牵头多个省级、市级行业智能化信息系统的建设，主持设计并搭建多个省级、市级行业大数据平台。参与国家级人工智能课题，牵头上海市级人工智能示范应用课题研究。

 

带领团队在相关行业领域研发多款人工智能创新产品，成功落地多项大数据、人工智能前沿项目，其中信息化智能平台项目曾荣获：“上海市信息技术优秀应用成果奖”。带领团队在参加国际NLP算法大赛，获得Top1%的成绩。参与国家级、省级大数据技术标准的制定，曾获省部级以上的科技创新一等奖。

 

1.      论文发表/项目经历

在国内外期刊、会议中发表论文27篇，其中被SCI/EI收录4篇

 

项目经历：

l  上海市城市信息化人工智能项目 项目负责人

ü  研发智能服务系统，包括：元宇宙与虚拟数字人、基于人工智能的内容生成（AIGC）、基于NLP技术的对话系统、基于深度学习的图像识别系统、基于智能推理的行业推荐系统。

相关工作：

作为项目总负责，负责项目管理、产品研发、系统分析、技术指导、算法指导等。

 

l  上海市城市智能信息化工程 总工程师

ü  采用大数据技术，建设市级信息平台，完成试点单位接入并采集居民相关信息，实现市级平台档案等服务，并实现所有单位的全面接入。

ü  为解决超量数据的存储与计算的问题，搭建了存储全市数据的云计算平台，并在其上进行了基于大数据的分析和挖掘工作。

相关工作：

作为总工程师，负责技术管理、系统分析、云平台数据存储设计、数据分析与挖掘指导、开发指导。

 

l  上海市城市信息化领域智能联网工程 技术经理

ü  建设内容包括：接入单位的联网；智能卡的实现；城市信息化智能平台的升级；科研平台的扩展与升级；建立决策支持系统；评估体系的展示设计；短信平台的实现；违规操作的提醒；协同智能服务平台的实现等。

相关工作：

作为技术经理负责总体架构设计、接口设计、大数据平台设计、AI技术指导等。

 

 

3. 主攻方向

具有扎实的数据挖掘、机器学习、深度学习等人工智能理论基础；了解AIGC等技术前沿动态。

精通机器学习、深度学习的理论、模型、算法、调优等；精通算法设计；

熟悉深度学习在自然语言处理、计算机视觉两大核心领域的实用技巧；

15年以上的程序开发经验，熟悉常用程序开发架构，独立完成多个产品级软件的设计与开发。

 

• 人工智能机器学习算法在项目中的实战

   

  一．介绍机器学习，什么是机器学习a) 简单介绍机器学习，数据挖掘b) 机器学习和数据挖掘的基本概念和原理c) 机器学习用来解决什么问题机器学习的应用场景1) 机器学习应用场景之一------分类以及分类的应用场景a) 分类概念b) 分类的应用c) 分类和聚类、推荐的区别d) 分类工作原理e) 分类中概念术语..

  ￥   元/ 天

  人气：1325  

  

• 机器学习闭环系统设计方法

   

  第一章. 机器学习和深度学习系统设计方法论a)机器学习和深度学习的概念和区别b)人工智能算法工程师的日常工作流程c)传统机器学习的系统设计方法d)人工智能时代深度学习的系统设计方法第二章.机器学习和深度学习人工智能的常见开发流程a)洞悉公司业务业务逻辑痛点，抽象出计算机解决方法方案b)数据清洗和预处理c)构建数据集，数..

  ￥   元/ 天

  人气：1243  

  

• 人工智能机器学习与深度学习实战案例及应用

   

  章节 内 容 第一节 ..

  ￥   元/ 天

  人气：1233