聯繫我們

課程簡介

監督式學習:分類與回歸

  • Python 中的機器學習:scikit-learn API 介紹
    • 線性回歸與邏輯回歸
    • 支持向量機
    • 神經網絡
    • 隨機森林
  • 使用 scikit-learn 設置端到端的監督式學習管道
    • 處理數據文件
    • 缺失值插補
    • 處理分類變量
    • 數據可視化

用於 AI 應用的 Python 框架:

  • TensorFlow, Theano, Caffe 和 Keras
  • 利用 Apache Spark 擴展 AI 規模:Mlib

高級神經網絡架構

  • 用於圖像分析的卷積神經網絡
  • 用於時間結構數據的循環神經網絡
  • 長短期記憶單元

無監督學習:聚類、異常檢測

  • 使用 scikit-learn 實現主成分分析
  • 在 Keras 中實現自動編碼器

AI 可解決問題的實際案例(使用 Jupyter notebook 的動手練習),例如 

  • 圖像分析
  • 預測複雜的金融序列,例如股票價格,
  • 複雜模式識別
  • 自然語言處理
  • 推薦系統

理解 AI 方法的局限性:失敗模式、成本及常見困難

  • 過擬合
  • 偏差/方差權衡
  • 觀察數據中的偏差
  • 神經網絡投毒

應用項目工作(選修)

最低要求

參加此課程沒有特定的先決條件要求。

 28 小時

客戶評論 (2)

課程分類