陆家嘴学堂 Python机器学习与深度学习16天高级训练营零基础入门

日期：2023-3-28 投资基友量化交易课程浏览：333次评论：0条 讲师简介
邹博
睿客邦创始人、中科航天创新技术研究院副院长
青岛科技大学产业教授、天津大学创业导师
中科院计算机博士
创立的睿客邦与多所高校合作建立了Al教研实训基地，
完成和在研30多个人工智能工业项目，广泛应用于医疗、交
通、农业、气象、证券、银行、电信、化工、冶金等多个领
域，致力于人工智能新技术的实践和应用。
第十四课讲师：廖茂文
游戏AI研究员，中国人工智能学会高级会员，高级工程
师，人工智能布道师。研究兴趣：自然语言处理、生成对抗网
络、金融量化，参与过多项省市级人工智能项目，获得软件著
作权2项，预著有《GAN生成对抗网络实战：数学算法原理与
TensorFlow实现》。

课程目标
1.理解机器学习的思维方式和关键技术；
2.了解深度学习和机器学习在当前工业界的落地应用；
3.能够根据数据分布选择合适的算法模型并书写代码；
4.初步胜任使用Python进行数据挖掘、机器学习、深度
学习等工作。
课程特色
1.课程重视代码实践，使用金融、气象、农业、交通、安
防等工业界实际数据（数据已脱敏）进行机器学习模型
的落地应用。
2.在课程坚持推导公式的同时，更重视机器学习和深度学
习的原理与实操；
3.将实际工作中遇到的行业应用和痛点做最直观切实的展示；
4.重视算法模型的同时，更强调实际问题中应该如何模型选
择、特征选择和调参。
5.老师在中科院做科研，同时在多家企业任职首席或顾问，
有丰富的工业经验，能够保证听者尽快了解数据挖掘、
机器学习、深度学习的本质和实践应用。

课程大纲
第一节：Python基础1-Python及其数学库
1.解释器Python3.7与IDE:Anaconda/Pycharm
2.Python基础：列表/元组/字典/类/文件
3.Taylor展式的代码实现
4.numpy/scipy/matplotlib/pandas的介绍和典型使用
5.多元高斯分布
6.泊松分布、幂律分布
7.典型图像处理
8.蝴蝶效应
9.分形与可视化

第二节：Python基础2-机器学习库
1.scikit-learn的介绍和典型使用
2.损失函数的绘制
3.多种数学曲线
4.多项式拟合
5.快速傅里叶变换FFT
6.奇异值分解SVD
7.卷积与（指数）移动平均线
8.Soble/Prewitt/Laplacian算子与卷积神经网络
9.股票数据分析
第三节：Python基础3-数据清洗和特征选择
1.实际生产问题中算法和特征的关系
2.股票数据的特征提取和应用
3.一致性检验
4.缺失数据的处理
5.环境数据异常检测和分析
6.模糊数据查询和数据校正方法、算法、应用
7.鸢尾花数据与分类模型
8.朴素贝叶斯用于18000+篇/Sogou新闻文本的分类

第四节：多元回归和Logistic回归
1.线性回归
2.Logistic/Softmax回归
3.广义线性回归
4.L1/L2正则化
5.Ridge与LASSO
6.Elastic Net
7.梯度下降算法：BGD与SGD
8.特征选择与过拟合
9.Softmax回归的概念源头
10.最大熵模型
11.K-L散度
代码和案例实践（第四节）：
1.机器学习sklearn库介绍
2.回归代码实现和调参
3.Ridge回归/LASSO/Elastic Net
4.Logistic/Softmax回归
5.广告投入与销售额回归分析
6.鸢尾花数据集的分类
7.回归代码实现和调参
8.交叉验证
9.数据可视化

第五节：决策树和随机森林
1.熵、联合熵、条件熵、KL散度、互信息
2.最大似然估计与最大熵模型
3.ID3、C4.5、CART详解
4.决策树的正则化
5.预剪枝和后剪枝
6.Bagging
7.随机森林
8.不平衡数据集的处理
9.利用随机森林做特征选择
10.使用随机森林计算样本相似度
11.异常值检测
代码和案例实践（第五节）：
1.随机森林与特征选择
2.决策树应用于回归
3.多标记的决策树回归
4.决策树和随机森林的可视化
5.葡萄酒数据集的决策树/随机森林分类
6.泰坦尼克乘客存活率估计
第六节：SVM
1.线性可分支持向量机
2.软间隔
3.损失函数的理解
4.核函数的原理和选择

5.SMO算法
6.支持向量回归SVR
7.多分类SVM
代码和案例实践（第六节）：
1.原始数据和特征提取
2.调用开源库函数完成SVM
4.葡萄酒数据分类
5.数字图像的手写体识别
5.MNIST手写体识别
6.SVR用于时间序列曲线预测
7.SVM、Logistic回归、随机森林三者的横向比较
第七节：聚类
1.各种相似度度量及其相互关系
2.Jaccard相似度和准确率、召回率
3.Pearson相关系数与余弦相似度
4.K-means与K-Medoids及变种
5.AP算法（Sci07）/LPA算法及其应用
6.密度聚类DBSCAN/DensityPeak(Sci14)
7.谱聚类SC
8.聚类评价和结果指标

代码和案例实践（第七节）：
1.K-Means++算法原理和实现
2.向量量化VQ及图像近似
3.并查集的实践应用
4.密度聚类的异常值检测
5.谱聚类用于图片分割
第八节：EM算法
1.最大似然估计
2.Jensen不等式
3.朴素理解EM算法
4.精确推导EM算法
5.EM算法的深入理解
6.混合高斯分布
7.主题模型pLSA
代码和案例实践（第八节）：
1.多元高斯分布的EM实现
2.分类结果的数据可视化
3.EM与聚类的比较
4.Dirichlet过程EM
5.三维及等高线等图件的绘制
6.キ颙槿型DLSA与EM算法

第九节：隐马尔科夫模型HMM
1.主题模型LDA
2.词潜入和word2vec
3.前向/后向算法
4.HMM的参数学习
5.Baum-Welch算法详解
6.Viterbi算法详解
7.隐马尔科夫模型的应用优劣比较
8.共轭先验分布
9.Laplace平滑
10.Gibbs采样详解
11.Metropolis-Hastings算法
12.MCMC
代码和案例实践（第九节）：
1.敏感话题分析
2.网络爬虫的原理和代码实现
3.LDA开源包的使用和过程分析
4.HMM用于中文分词
5.文件数据格式UFT-8、Unicode
6.发现新词和分词效果分析
7.高斯混合模型HMM
8.GMM-HMM用于股票数据特征提取

第十节：主题模型LDA
1.贝叶斯学派的模型认识
2.Beta分布与二项分布
3.共轭先验分布
4.Dirichlet分布
5.Laplace平滑
6.Gibbs采样详解
代码和案例实践（第十节）：
1.网络爬虫的原理
2.停止词和高频词
3.动手自己实现LDA
4.LDA开源包的使用和过程分析
5.Metropolis-Hastings算法
6.MCMC
7.LDA与word2vec的比较
8.网络爬虫代码实现
9.TextRank算法与实践
第十一节：卷积神经网络CNN

1.神经网络结构，滤波器，卷积
2.池化，激活函数，反向传播
3.目标分类与识别、目标检测与追踪
4.AlexNet, VGGNet, GoogleLeNet
5.Inception-V3/V4
6.ResNet,DenseNet
代码和案例实践（第十一节）：
1.数字图片分类
2.卷积核与特征提取
3.以图搜图
4.人证合一
5.卷积神经网络调参经验分享
第十二节：图像视频的定位与识别
1.视频关键帧处理
2.物体检测与定位
3.RCNN, Fast-RCNN, Faster-RCNN, MaskRCNN
4.YOLO
5.FaceNet

代码和案例实践（第十二节）：
1.迁移学习
2.人脸检测
3.OCR字体定位和识别
4.睿客识云
5.气象识别
第十三节：循环神经网络RNN
1.RNN基本原理
2.LSTM、 GRU
3.Attention
4.CNN+LSTM模型
5.Bi-LSTM双向循环神经网络结构
6.编码器与解码器结构
7.特征提取：word2vec
8.Seq2seq模型
代码和案例实践（第十三节）：
1.看图说话
2.视频理解
3.藏头诗生成
4.问答对话系统
5.OCR

6.循环神经网络调参经验分享
第十四节：自然语言处理
1.语言模型Bi-Gram/Tri-Gram/N-Gram
2.分词
3.词性标注
4依存句法分析
5.语义关系抽取
6.词向量
7.文本分类
8.机器翻译
9.文本摘要
10.阅读理解
11.问答系统
12.情感分析
代码和案例实践（第十四节）：
1.输入法设计
2.HMM分词
3.文本摘要的生成
4.智能对话系统和SeqSeq模型
5.阅读理解的实现与Attention

第十五节：生成对抗网络GAN
1.生成与判别
2.生成模型：贝叶斯、HMM到深度生成模型
3.GAN对抗生成神经网络
4.DCGAN
5.Conditional GAN
6.InfoGan
7.Wasserstein GAN
代码和案例实践（第十五节）：
1.生成与判别
2.生成模型：贝叶斯、HMM到深度生成模型
3.GAN对抗生成神经网络
4.DCGAN
5.Conditional GAN
6.InfoGan
7.Wasserstein GAN

第十六节：强化学习RL
1.为何使用增强学习
2.马尔科夫决策过程
3.贝尔曼方程、最优策略
4.策略迭代、值迭代
5.Q Learning
6.SarsaLamda
7.DQN
8.A3C
9.ELF
代码和案例实践（第十六节）：
1.OpenAl
2.飞翔的小鸟游戏
3.基于增强学习的游戏学习
4.DQN的实现