欧美色欧美亚洲另类七区,惠美惠精品网,五月婷婷一区,国产亚洲午夜

      ☆ 1、如有部分內(nèi)容理解不透或消化不好，可免費(fèi)在以后培訓(xùn)班中重聽；
      ☆ 2、在課程結(jié)束之后,授課老師會留給學(xué)員手機(jī)和E-mail,免費(fèi)提供半年的課程技術(shù)支持，以便保證培訓(xùn)后的繼續(xù)消化；
      ☆3、合格的學(xué)員可享受免費(fèi)推薦就業(yè)機(jī)會。
      ☆4、合格學(xué)員免費(fèi)頒發(fā)相關(guān)工程師等資格證書，提升您的職業(yè)資質(zhì)。

• 第一章：監(jiān)督學(xué)習(xí)
  簡介
  在深入研究多種機(jī)器學(xué)習(xí)算法之前，我們先了解整個領(lǐng)域的全局知識
  線性回歸
  了解分類與回歸的區(qū)別，學(xué)習(xí)如何使用線性回歸來做預(yù)測
  感知器算法
  學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)中的感知器，以及如何使用它進(jìn)行分類
  決策樹
  學(xué)習(xí)決策樹，并使用決策樹探索泰坦尼克號乘客存活模型
  樸素貝葉斯
  學(xué)習(xí)樸素貝葉斯原理，并構(gòu)建垃圾郵件分類器
  支持向量機(jī)
  學(xué)習(xí)如何訓(xùn)練支持向量機(jī)以線性分離數(shù)據(jù)；
  使用核方法在非線性可分的數(shù)據(jù)上來訓(xùn)練 SVMs
  集成方法
  通過 boosting 提升傳統(tǒng)方法；Adaboost
  模型評估維度
  學(xué)習(xí)評估模型的常用維度：準(zhǔn)確率、精讀、召回率等等。
  錯誤與優(yōu)化
  了解訓(xùn)練過程中常見的錯誤類型，學(xué)習(xí)如何處理錯誤來優(yōu)化模型性能。
  Lab：為銀行提供精準(zhǔn)營銷方案
  練習(xí)機(jī)器學(xué)習(xí)基礎(chǔ)技能，在實戰(zhàn)中掌握預(yù)測的 pipeline。
• 實戰(zhàn)項目 1：航班延誤預(yù)測
  第二章：深度學(xué)習(xí)
  神經(jīng)網(wǎng)絡(luò)簡介
  學(xué)習(xí)深度學(xué)習(xí)基礎(chǔ)，包括 softmax、one-hot encoding 和 cross entropy
  學(xué)習(xí)感知器與梯度下降
  實現(xiàn)梯度下降
  了解如何實現(xiàn)梯度下降，并實現(xiàn)一個反向傳播
  訓(xùn)練神經(jīng)網(wǎng)絡(luò)
  學(xué)習(xí)如何訓(xùn)練神經(jīng)網(wǎng)絡(luò)，包括早期停止、正則化、dropout等知識
  PyTorch
  學(xué)習(xí)如何使用 PyTorch 構(gòu)建神經(jīng)網(wǎng)絡(luò)，并在 Fashion-MNIST 數(shù)據(jù)集上學(xué)習(xí)圖像分類與遷移學(xué)習(xí)。
  實戰(zhàn)項目 2：人臉識別
  第三章：非監(jiān)督學(xué)習(xí)
  聚類
  學(xué)習(xí)如何聚類算法，并嘗試使用 k-means 對數(shù)據(jù)進(jìn)行聚類
  層次聚類法與密度聚類
  學(xué)習(xí)單連接聚類法和層次聚類法，DBSCAN
  高斯混合模型與聚類驗證
  學(xué)習(xí)高斯混合模型及相關(guān)示例，以及聚類分析過程和如何驗證聚類結(jié)果。
  降維和 PCA
  了解降維的作用，并學(xué)習(xí) PCA 的原理和使用場景
  隨機(jī)投影與 ICA
  學(xué)習(xí)隨機(jī)投影與獨(dú)立成分分析，并通過 Lab 學(xué)習(xí)如何應(yīng)用這些方法
  實戰(zhàn)項目 3：創(chuàng)建客戶細(xì)分
  第四章：軟件工程
  軟件工程練習(xí)
  編寫清晰、注釋充分的模塊化代碼
  重構(gòu)代碼并提高代碼效率
  創(chuàng)建檢驗程序的單元測試
  通過日志記錄進(jìn)程操作和結(jié)果
  審閱代碼
  編程
  了解何時使用面向?qū)ο缶幊蹋?br> 構(gòu)建和使用類；
  了解如何創(chuàng)建大型模塊化 Python 軟件包并使用面向?qū)ο缶幊?br> 將軟件包上傳到 PyPI
  作品集練習(xí)：構(gòu)建你自己的 Python 軟件包
  案例演練：構(gòu)建 PYTHON 軟件包
  第五章：模型部署
  部署簡介
  了解云端和部署術(shù)語
  了解生產(chǎn)環(huán)境中的機(jī)器學(xué)習(xí)工作流程
  了解機(jī)器學(xué)習(xí)的工作場所用例
  部署模型
  在 SageMaker 中部署模型
  使用 SageMaker 上的 XGBoost 預(yù)測波士頓房價
  使用 SageMaker 上的 XGBoost 判斷影評情感
  網(wǎng)絡(luò)托管
  學(xué)習(xí)如何從網(wǎng)站提供端點(diǎn)訪問權(quán)限；
  使用 API Gateway 和 Lambda 將機(jī)器學(xué)習(xí)模型集成到網(wǎng)絡(luò)應(yīng)用中；
  模型監(jiān)控
  了解如何監(jiān)控模型隨時間推移的行為；
  使用 SageMaker 的自動化超參數(shù)調(diào)節(jié)工具調(diào)節(jié) XGBoost 模型的超參數(shù)；
  在 SageMaker 上運(yùn)行 A/B 測試，比較調(diào)節(jié)過的模型與未調(diào)節(jié)的模型；
  更新模型
  在監(jiān)控模型的過程中發(fā)現(xiàn)數(shù)據(jù)有變化后，相應(yīng)地更新模型；
  了解如何處理在情感分析過程中添加到模型中的新短語；
• 實戰(zhàn)項目 5：部署情感分析模型
  第六章：機(jī)器學(xué)習(xí)案例研究
  利用 SageMaker 進(jìn)行總體分割
  使用 AWS SageMaker 了解可用的算法廣度；
  了解如何通過 SageMaker 使用非監(jiān)督式算法分析數(shù)據(jù)；
  使用 SageMaker 部署非監(jiān)督式模型；
  通過提取模型屬性了解數(shù)據(jù)；
  檢測信用卡欺詐行為
  構(gòu)建并改善能識別付款欺詐行為的線性模型；
  處理訓(xùn)練數(shù)據(jù)類別不平衡的問題；
  在 SageMaker 中根據(jù)特定指標(biāo)調(diào)節(jié)模型并改善模型性能；
  部署自定義模型
  使用 SageMaker 部署自定義 PyTorch 模型；
  編寫自定義訓(xùn)練腳本，并訓(xùn)練你設(shè)計的模型；
  時間序列預(yù)測
  處理時間序列數(shù)據(jù)并調(diào)整數(shù)據(jù)格式，使數(shù)據(jù)適合訓(xùn)練機(jī)器學(xué)習(xí)模型；
  使用 SageMaker 的DeepAR 算法進(jìn)行時間序列預(yù)測；
  部署模型并使用模型預(yù)測未來的數(shù)據(jù)點(diǎn)；