培训模块

培训内容

机器学习与线性回归算法

线性回归实现销售数据预测

1. 线性回归介绍与公式推导

2. 多变量线性归回归与梯度下降

3. 预测销量与广告投放相关性预测

4. 数据升维与PCA降维

5. 数据归一化与模型优化

6. 欠拟合与过拟合

7. 训练结果的可视化

8. 保存模型与再加载

逻辑回归与决策树实战

逻辑回归之信用卡反欺诈预测 

1. 项目背景与需求分析

2. 特征工程之标准化

3. 基本预处理操作

4. 上采样与下采样

5. 混淆矩阵可视化函数

6. 模型的训练与准确率,率,召回率

决策树、集成学习识别银行高风险 

1. 信息增益与算法原理介绍

2. 数据分析、特征工程

3. 模型训练与优化参数

4. 随机森林、正向激励算法

5. 采用决策树识别高风险

Tensorflow2.3 神经网络

深度学习与深度神经网络实践

1. Tensorflow安装

2. Tensorlfow基础知识

3. Tensorflow线性回归

4. Tensorflow非线性回归

5. Mnist数据集合Softmax讲解

6. 使用BP神经网络搭建手写数字识别

7. 交叉熵(cross-entropy)讲解和使用

8. 过拟合,正则化,Dropout

9. 各种优化器Optimizer

10. 改进手写数字识别网络 

11. 模型保存与载入 

深度学习之卷积神经网络

CIFAR图形图像识别项目

1. CIFAR项目需求介绍

2. 分析爱data_batch数据集

3. CNN卷积神经网络介绍

4. 卷积、深度、池化、步长、函数

采用CNN完成CIFAR物体分类

1. 人脸识别数据集与算法介绍

2. 模型结构设计

3. 人脸损失函数设计

4. 模型与参数调优

Keras 神经网络框架

Keras理论介绍佳实战

1. Keras神经网络框架介绍

2. 基于Keras情感类分析

3. 动物分类器实现

4. 采用Keras实现非线性回归

5. 生成式对抗神经网络原理及应用

6. 模块结构分析与优化策略

7. 采用Keras重构TensorFlow项目

Open CV计算机视觉技术

OpenCV的人脸识别

1. OpenVINO框架介绍与安装测试

2. OpenCV DNN中使用IE模块加速

3. 转化工具与IE模块加速

4. 准备人脸数据

5. CV扫描图像、平滑、扩张实现

6. DNN神经网络识别人脸

7. 测试与调优操作

8. 基于Open CV DNN 构建车辆与车牌检查模型

YOYO目标识别框架技术

YOYO目标识别框架介绍

1. 标检测任务介绍

2. RCNN/Fast-RCNN/Faster-RCNN算法介绍

3. YOLO算法介绍

4. 目标分割任务介绍

5. 全卷积网络

6. 双线性上采样

7. 特征金字塔

8. Mask RCNN算法介绍

9. 目标分割项目实战

图数据库与构建知识图谱

知识表示与建模

1. 知识图谱核心技术：知识推理

2. 知识图谱应用场景与抽取概述介绍

3. 本体知识推理与任务分类

4. 实体与关系、事件抽取技术

5. 采用TxtCnn、CRF完成知识抽取

6. 采用RNN、LSTM完成知识抽取

知识存储与问答机器人构建

1. 知识存储neo4j常用数据库

2. Cyhper语言介绍

3. 采用Py操作Neo4j数据库

4. 基于知识图谱问答机器人构建

知识图谱概述

1.知识图谱（KG）概念

2.知识图谱的起源与发展

3.典型知识图谱项目简介

4.知识图谱技术概述

5.知识图谱典型应用

知识表示

1.基于符号主义的知识表示概述

1.1 谓词逻辑表示法

1.2 产生式系统表示法

1.3 语义网络表示法

2 知识图谱的知识表示

2.1 RDF和RDFS

2.2 OWL和OWL2

2.3 Json-LD与RDFa、MicroData

2.4 RQL查询语言  

3 知识建模实战 Protege

知识图谱核心基础技术（一）

神经网络与深度学习

1.经网络基本原理

2.神经网络应用举例

3.深度学习概述

4.主流深度学习框架

4.1 TesorFlow

4.2 Caffe

5.卷积神经网络（CNN）

5.1 CNN简介

5.2 CNN关键技术:局部感知、卷积、池化、CNN训练

5.3 典型卷积神经网络结构

5.4 深度残差网络

5.5 案例：利用CNN进行手写数字识别

知识图谱核心基础技术（二）

 基于深度学习的自然语言处理

1.循环神经网络（RNN）概述

2.基本RNN

3.长短时记忆模型(LSTM)

4.门控循环单元（GRU）

5.知识图谱向量表示方法

5.1 向量表示法

5.2 知识图谱嵌入

知识抽取与融合

1.知识抽取主要方法与方式

1.1 主要方法

1.2 主要方式

2 面向结构化数据的知识抽取

2.1 Direct Mapping

2.2 R2RML

3.面向半结构化数据的知识抽取

3.1 基于正则表达式的方法

3.2 基于包装器的方法

4.面向非结构化数据的知识抽取

4.1 实体抽取
4.2 关系抽取

4.3 事件抽取
5.识挖掘

5.1知识挖掘流程

5.2 知识挖掘主要方法

6 知识融合

6.1 本体匹配
6.2 实体对齐

存储与检索

1.知识存储与检索基础知识

2.知识图谱的存储方法

2.1基于关系数据库的存储
2.2 基于RDF数据库的存储

2.3 原生图数据库Neo4j存储

3.图谱构建实践 NEO4J

知识图谱案例

 基于Neo4j人物关系知识图谱存储与检索