人工智能/机器学习+数据挖掘+视觉处理培训课程
课程概述
本六天全面课程集中在机器学习、数据挖掘及视觉处理三大核心技能领域,旨在培训学员掌握现代人工智能技术的基础和应用。由机器学习的基础理论出发,逐渐涉及数据预处理、特征工程、模型评估与优化,以及实践操作等多个重要环节,为学员提供一套完整的AI技能培训。
课程对象
- 对AI技术感兴趣的初学者
- 计算机科学、数据科学及相关专业的在校学生
- 想要转行AI领域的IT工程师和数据分析师
课程目标
- 掌握机器学习基础理论及常用算法
- 了解并能应用数据挖掘技巧进行数据预处理
- 学会使用OpenCV进行基础的图像处理和人脸识别
- 能基于真实案例进行模型的构建、优化和评估
课程收益
- 获取系统性AI知识体系和实践经验
- 掌握工业界常用的AI工具和库
- 有能力独立完成数据分析和模型构建任务
- 增强简历亮点,提升职场竞争力
课程时长6天
课程大纲
| 章节 | 内容 | |
| 第一天 机器学习概述和特征工程 | 机器学习概述 理解分类和回归 机器学习流程 sklearn模块简介 sklearn中数据集解析 理解数据集划分 评价指标分析 回归模型的评价指标 理解混淆矩阵 混淆矩阵指标解析 ROC曲线绘制 | 理解过拟合和欠拟合 模型的保存和加载 特征工程概述 one-hot编码 标签数值化 特征预处理 特征标准化和归一化 连续型变量离散化 特征降维之过滤式 样本不均衡问题 特征工程案例实战 |
| 第二天 主成分分析、Knn、决策树和随机森林 | 主成分分析PCA概念 PCA原理 案例图像降维 因子分析原理分析 sklearn实现因子分析 KNN算法原理 sklearn实现KNN Knn案例解析 Knn参数调优 KNN实现回归模型 | 决策树原理解析 决策树构造实例 sklearn实现决策树 决策树超参数调优 交叉验证和网格搜索 决策树案例解析-红酒分析 随机森林算法解析 随机森林参数调优 案例-乳腺癌分类 随机森林实现回归 |
| 第三天 线性回归和逻辑回归 | 一元线性回归理论推导 估算系数和评估指标 sklearn实现线性回归 多元线性回归 参数调优 多项式回归 理解正则化 岭回归 | Lasso回归 超参数调优 关于梯度下降 sklearn实现梯度回归 逻辑回归原理解析 sklearn实现逻辑回归 逻辑回归参数调优 |
| 第四天 支持向量机、聚类算法核朴素贝叶斯 | 线性SVM支持向量机原理推导 SVM算法实现 非线性SVM和核函数 超参数调优 多项式核函数 K-MEANS算法解析 K-MEANS算法实现 | 聚类算法实现降维 朴素贝叶斯原理 多项式朴素贝叶斯 伯努利朴素贝叶斯 高斯朴素贝叶斯 案例解析:文本分类 案例解析:垃圾邮件分类 |
| 第五天 集成分析核文本分析 | 文本特征提取 jieba中文分词 tf-idf逆文档频率 文本清洗 案例实战:酒店推荐 AdaBoost算法解析 sklearn中AdaBoost算法实现 | sklearn中AdaBoost算法调参 GBDT算法解析 sklearn中GBDT算法实现 XGBoost算法解析 sklearn中XGBoost算法实现 sklearn中XGBoost算法调参 |
| 第六天 OpenCV视觉分析 | OpenCV概述 基本操作和色彩空间 绘制基本图形 图像基本操作 视频捕获 图像仿射变化 给图像打马赛克 | 图像腐蚀和膨胀 开运算、闭运算和滤波 canny边缘检测 图像轮廓 模板匹配 人脸识别和替换 摄像头人脸捕获 案例实战:车牌捕获和识别 |
直播预告来小艾老师的直播间

扫码一键预约全部
专栏文章小艾老师谈数字化
