1. 课程介绍

机器学习是能**经验自动改进的计算机算法的研究,它是一个多学科交叉的领域,会涉及到计算机、信息学、数学、统计学、神经科学等。机器学习是大数据的核心技术,本质都是从历史数据中学习一般性的规则。在数据的基础上,**算法构建出模型并对模型进行评估。

2. 课程目标

**本次培训,学员可以全面了解监督学习、无监督学习、强化学习的区别与联系以及主要应用场景,详细了解神经网络算法的基本原理;初步掌握使用Scikit-learn、OpenCV、gensim等进行典型数据分析、图像文字相关的基础应用开发。

3. 适用对象

在机器学习算法方面零基础学习Python开发的学员,想全面系统学习Python语言的学员零基础的学员,想全面系统学习机器学习的学员

4. 零基础学习Python开发的学员,想全面系统学习Python语言的学员课程时长(天)

6小时/天,2天,共12小时

5. 培训方式/工具及方法

l PPT 教材 参考资料,理论讲解

l 场景 案例 模拟环境,动手实践

l 手把手解决问题 解决问题经验分享

6. 课程大纲

日程安排

课程模块

课程内容

**天

机器学习原理介绍

1. 机器学习基本概念

2. 机器学习的应用

3. 训练集、验证集、测试集

4. 过拟合与欠拟合

5. 逻辑斯蒂回归

6. K近邻算法

7. 朴素贝叶斯

8. 决策树模型

9. 支持向量机

10. 神经网络简介

11. 感知机模型

12. 激活函数

13. 多层神经网络

14. 梯度下降与反向传播

实战案例:基于神经网络的花型分类

第二天

常用开发包的使用

1. Scikit-learn、PIL、OpenCV、gensim的安装

2. Scikit-learn中的决策树接口介绍

3. 用Scikit-learn中的决策树API进行分类

4. Scikit-learn中的支持向量机接口介绍

5. 用Scikit-learn中的支持向量机API进行分类

6. 图像色彩空间理论

7. 图像基本变换

8. OpenCV、PIL常见API的使用方法

9. 视频与图片的转换

10. 自然语言处理简介

11. gensim常见API的使用方法

12. 使用gensim中文分词

实战案例:基于k-means的图像量化压缩