学习目标：

1, 通过4天学习掌握Python案例应用的实操；

2, 课程涉及到了Python在不同案例中的应用，独家无分店；

3, 涉及文本分析，深度学习，半监督学习，深度学习等Python的前沿应用；

4, 通过案例的讲解，真正实现学校授课与实战的目标。

学习对象和基础：

1、需要学习Python大数据及人工智能的青年教师

2、需要学习Python大数据及人工智能的博士生

3、需要学习Python大数据及人工智能的硕士生

4、需要学习Python大数据及人工智能的高年级本科生

5、要求学过Python基础

课程大纲

第一天

利用文本分析进行网络舆情分析

利用文本分析进行命名实体识别

——

1.      文本分析简介及文本分析流程

2.      中文分词方法

3.      中文词性标注方法

4.      关键词提取方法

5.      命名实体识别

6.      文本分析模型实作与比较: 以网络舆情分析模型及命名实体识别为例

第二天

利用文本分析进行新闻文件分类及新闻文件摘要

利用深度学习模型建置人脸识别及物体侦测模型

——

1.      新闻文件分类方法

2.      中文文本摘要方法

3.      人脸识别及应用

4.      OpenCV及Dlib简介

5.      人脸侦测及人脸68个特征撷取

6.      人脸识别(利用ResNet)

7.      物体检测与定位及应用

8.      目标检测技术概述

9.      YOLOv3简介及COCO 数据集(80类people (人)，bicycle(自行车)，car(汽车)...等数据)

10.   物体定位

11.   物体检测

12.   文本分析及深度学习模型实作与比较: 以新闻文件分类与摘要及人脸识别及物体侦测模型为例

第三天

利用半监督学习技术进行电信业客户流失模型的建置

利用深度学习技术进行信用卡盗刷预测模型建置

——

1.      传统监督学习方法与非监督学习方法

2.      半监督学习方法概述

3.      半监督学习模型实作与比较: 以电信业客户流失模型为例

4.      智能反欺诈概述

5.      反欺诈手法

6.      机器学习方法

7.      深度学习方法

8.      深度学习模型实作与比较: 以信用卡盗刷预测模型为例

第四天

以利润最大化为目标之产品营销模型的建置

利用集成学习建置小额信贷及信用风险预测模型

——

1.      传统模型评估方法与利润最大化评估方法

2.      增益图与利润图

3.      利润最大化模型实作与比较: 以产品营销模型为例

4.      传统学习与集成学习

5.      集成学习的分类：模型融合与机器学习元算法

6.      模型融合模型建置(多数法(Max Voting)、平均法(Averaging)、

7.      加权平均法(WeightedAveraging)、堆叠法(Stacking)、混合法(Blending))

8.      机器学习元算法模型建置(袋装法(Bagging)、袋装通用法(Bagging meta-estimator)、随机森林(Random Forest)、

9.     提升法(Boosting)、Adaboosting算法、Gradient Boosting算法、XGBoosting算法)

10.   集成学习方法实作与比较: 以小额信贷及信用风险预测模型为例

优惠：

现场班老学员9折优惠；

同一单位三人以上同时报名9折优惠；

同一单位六人以上同时报名8折优惠；

以上优惠不叠加。

联系方式：

尹老师

电话：13321178792

QQ：42884447

WeChat：yinyinan888