Python深度學習與知識圖譜6天

Python深度學習與知識圖譜
【課程簡介】
人工智能的浪潮正在席卷全球，各種培訓課程應運而生，但真正能讓學員系統(tǒng)、全面掌握核心知識點，并且能學以致用的實戰(zhàn)課程并不多見。
本課程包含基于python的數(shù)據(jù)分析、深度學習、知識圖譜和的重要概念及常用算法（決策樹、關聯(lián)規(guī)則、聚類、貝葉斯網(wǎng)絡、神經(jīng)網(wǎng)絡、支持向量機、隱馬爾科夫模型、遺傳算法、CNN、RNN、GAN等），以及人工智能領域熱點應用場景：目標檢測、圖像分割、圖像生成、知識圖譜、對話機器人等。
通過6天的系統(tǒng)學習、案例講解和動手實踐，讓學員能初步邁入機器學習、深度學習和知識圖譜的知識殿堂。
【課程收益】
掌握Python開發(fā)技能；
掌握深度學習框架：TensorFlow、pytorch等；
掌握基于python的數(shù)據(jù)分析知識；
掌握數(shù)據(jù)挖掘與機器學習進階知識；
掌握深度學習的理論與實踐；
理解CV領域（目標檢測、圖像分割、圖像生成等）應用場景和技術
理解NLP領域（知識圖譜、對話機器人等）應用場景和技術
為學員的后續(xù)項目應用提供針對性的建議。
【課程特點】
本課程力圖理論結(jié)合實踐，強調(diào)從零開始，重視動手實踐；課程內(nèi)容以原理講解為根本，以應用落地為目標。課程通過大量形象的比喻和手算示例來解釋復雜的機器學習理論，既能將原理充分講懂講透，也避免了繁復而枯燥的公式推導。
【課程對象】
理工科本科以上，或至少了解一種編程語言。
時間
內(nèi)容
案例實踐與練習
8月13日
9:00-12:00
基于python的實驗環(huán)境
實驗環(huán)境搭建
anaconda包的安裝
pip install的技巧
通過anaconda配置多個環(huán)境
Jupyter Notebook的使用
繪圖工具包matplotlib
opencv的安裝
Tensorflow的安裝
Pytorch的安裝
paddlepaddle的安裝
案例實踐：
python安裝
opencv安裝與驗證
Tensorflow安裝與驗證
Pytorch安裝與驗證
paddlepaddle安裝與驗證
8月13日
14:00-17:00
Python基礎
Python開發(fā)概述
Python的基本語法
引入外部包
常用的數(shù)據(jù)結(jié)構(gòu)
定義函數(shù)
Python中的面向?qū)ο缶幊?br /> 文件讀寫
訪問數(shù)據(jù)庫
數(shù)據(jù)預處理
數(shù)據(jù)清理
規(guī)范化
無標簽時：PCA
有標簽時：Fisher線性判別
數(shù)據(jù)壓縮（DFT、小波變換）
回歸與時序分析
線性回歸
非線性回歸
logistics回歸
案例實踐：
元組、列表、字典、集合
PCA的實驗
DFT的實驗
回歸的實驗
8月14日
9:00-12:00
基于python的數(shù)據(jù)分析
決策樹模型
分類和預測
熵減過程與貪心法
ID3
C4.5
其他改進方法
決策樹剪枝
聚類
監(jiān)督學習與無監(jiān)督學習
K-means與k-medoids
層次的方法
基于密度的方法
基于網(wǎng)格的方法
孤立點分析
案例實踐：
決策樹的實驗
鳶尾花數(shù)據(jù)的聚類
手肘法分析NBA球隊的最佳聚類個數(shù)
各種聚類方式的圖形化展示
8月14日
14:00-17:00
基于python實現(xiàn)的經(jīng)典算法
關聯(lián)規(guī)則
頻繁項集
支持度與置信度
提升度
Apriori性質(zhì)
連接與剪枝
性能評價指標
精確率；
P、R與F1
ROC與AUC
對數(shù)損失
泛化性能評價：k折驗證驗證
案例實踐：
超市購物籃——關聯(lián)規(guī)則分析
皮馬印第安人患糖尿病的風險
8月15日
19:30-22:30
深度學習基礎
BP神經(jīng)網(wǎng)絡
人工神經(jīng)元及感知機模型
Sigmoid激活函數(shù)
前向神經(jīng)網(wǎng)絡的架構(gòu)
梯度下降
誤差反向傳播詳解
支持向量機
“雙螺旋”問題
基本模型與懲罰項
求解對偶問題
核函數(shù)：映射到高維
從二分類到多分類
用于連續(xù)值預測的支持向量機
案例實踐：
皮馬印第安人糖尿病風險：驗證多種模型
繪制ROC并計算AUC
手算神經(jīng)網(wǎng)絡BP算法
只用numpy，手推BPNN
SVM實現(xiàn)人臉識別應用
8月16日
19:30-22:30
深度學習基礎與CNN
深度學習基礎
連接主義的興衰
深度學習與神經(jīng)網(wǎng)絡的區(qū)別與聯(lián)系
目標函數(shù)與激勵函數(shù)
學習步長
權(quán)重初始化
權(quán)重衰減（Weight Decay）
梯度下降的方法：Adagrad \ RMSprop \ Adam
避免過適應
圖像分類CNN
圖像分類概述
AlexNet與ZF-Net
VGG（5層變?yōu)?組）
遷移學習
GoogLenet和Inception模塊
模型退化與ResNet
DenseNet（充分利用特征）
最新的efficientnet
案例實踐：
通過深度BP網(wǎng)絡實現(xiàn)手寫數(shù)字的識別
各種梯度下降方法的實戰(zhàn)效果
Batch normalization的效果
案例實踐：
VGG各層的可視化展現(xiàn)
遷移學習：貓狗大戰(zhàn)
Resnet用于圖像分類
8月20日
9:00-12:00
目標檢測
一階段目標檢測
SSD
YOLO-v1（一切都是回歸）
YOLO -v2（9000）
YOLO -v3（多尺度）
YOLO -v4
YOLO -v5
二階段目標檢測
目標檢測項目介紹
R-CNN
SPPNET（全圖卷積、SPP層）
Fast-RCNN（多任務）
Faster-RCNN（RPN）
案例實踐：
基于Faster-RCNN的通用目標檢測示例
血常規(guī)分析
案例實踐：
基于YOLO v3的通用目標快速檢測示例
基于YOLO v4的疫情防控系統(tǒng)
8月20日
14:00-17:00
圖像分割與NLP
圖像分割
全卷積網(wǎng)絡（FCN）
上采樣的三種實現(xiàn)方式
膨脹卷積
HMM與CRF
DeepLab V1~V3
自然語言處理初步
語言模型
Bi-Gram與N-Gram
機械分詞與統(tǒng)計分詞
詞性標注
命名實體識別
情感分析
DeepLab：遙感地圖分析
8月21日
9:00-12:00
RNN與W2V
循環(huán)神經(jīng)網(wǎng)絡
RNN基本原理
LSTM、GRU
雙向循環(huán)神經(jīng)網(wǎng)絡
編碼器與解碼器結(jié)構(gòu)
seq2seq模型
Attention
NIC模型
詞向量
W2V:CBOW
W2V:skip-gram
W2V:Hierachical Softmax
W2V:Negative Sampling
案例實踐：
股票交易數(shù)據(jù)的預測；
藏頭詩生成；
《絕代雙驕》中，誰和小魚兒最相似？
SnowNLP：褒義的中性詞
Word2vec代碼解讀
8月21日
14:00-17:00
預訓練模型基礎
Transformer
所有你需要的僅僅是“注意力”
Transformer中的block
自注意力機制
多頭注意力
位置編碼（拋棄RNN）
Batch Norm與Layer Norm
解碼器的構(gòu)造
BERT
BERT整體架構(gòu)
Masked-LM
Next Sentence Prediction
改造下游任務
WordPiece作為輸入
哪些改進起作用？
案例實踐：
手推Transformer
BERT代碼解讀
BERT下游任務的改造
8月22日
19:30-22:30
知識圖譜基礎
知識圖譜存儲
知識圖譜基礎概念
知識推理
本體推理方法
本體推理工具
語義搜索
RDF與RDFS
OWL與OWL2
知識圖譜存儲
Neo4j開發(fā)環(huán)境部署
Neo4j-可視化操作
Neo4j-CQL語法基礎
Neo4j-完整案例操作實戰(zhàn)
Neo4j系統(tǒng)管理
Python與Neo4j的集成
實踐：
Neo4j的安裝
Neo4j的基本操作
8月23日
19:30-22:30
知識圖譜抽取
GAN
知識圖譜自動抽取
實體消歧與鏈接
知識圖譜表示學習
基于深度學習的實體識別
基于深度學習的屬性鏈接
知識問答系統(tǒng)
基于知識圖譜問答系統(tǒng)
GAN
生成對抗網(wǎng)絡（GAN）
KL散度與JS散度
改進的GAN：DCGAN
加上約束：infoGAN
根本上解決：Wasserstein GAN
實踐：
Python與Neo4j的集成
知識抽取的DL模型
完整的基于KG的問診系統(tǒng)
計算機想象的數(shù)字
特朗普的孩子
ThisPersonDoesNotExist

葉梓老師的其它課程