课程介绍

课程讲授人是从事数据挖掘、机器学习、深度学习项目管理的人员，带队完成了数十个AI项目，内容不仅包括深度学习、机器学习、数据挖掘等具体技术要点，也包括AI的整体发展、现状、应用、商业价值、未来方向等，涵盖内容非常丰富

课程大纲

第零节：人工智能技术地图总览

1、图像视频方向

目标检测/小目标检测/图像分类/情感识别/微表情识别/医学图像分析/图像语义分割/图像生成/图像检索/图像识别/目标跟踪/视频语义分割/视频语义分析

2、自然语言处理方向

场景主题/文本检索/文档分类/中文自动分词/词性标注/语法分析/自然语言生成/文本匹配/信息抽取/机器翻译/自动摘要/手写体和印刷体字符识别/舆情分析/问答系统/场景文字检测/语义理解

3、语音识别方向

语音识别/语音生成

4、综合与总结

数据分析如何进行

特征如何选择

第一节：数据准备和特征表示：以运动传感数据的用户分类为例

获取数据

训练、验证数据的处理

数据预处理

重力特征的滤波

小波去噪原理和调参

特征描述、特征向量、特征提取、特征增强

机器学习分类器设计

数据挖掘模型的指标和评价

第二节：数据预处理与特征工程

以新冠肺炎确诊病例数据分析介绍数据预处理的重要性

数据获取

数据预处理

特征工程

判断数据对结果预测的有效性

采集和取舍问题

线上实时计算

预测用户对业务套餐的订购情况

数据获取过程中避免“幸存者偏差”的方式

常见的结构化数据类型

样本选取

数据清洗

特征工程

可视化识别脏数据

识别错误方法

数据清洗缺失值和离群值

特征工程中的特征设计与加工

特征选择和重要度判断

特征降维

特征工程的案例分析

第三节：时间序列分析

ARIMA、时间序列分析

一维卷积、指数平均和滑动平均、

Prophet模型

预测饱和增长和较少

趋势突变点和自动监测

调整趋势的灵活性

指定突变点的位置

对假期和特征事件建模

季节性的傅里叶级数

自定义季节性、节假日等先验信息

乘法和加法的时序建模区别

趋势、季节的不确定性

异常值的处理

MaxPooling做光滑

Attention

CNN+LSTM模型

Bi-LSTM双向循环网络

Keras函数式API与回调函数

代码和案例实践：

时间序列算法：自回归、移动平均和整合模型

股票走势可视化

突变点分析

股票预测模型建立

模型训练

预测与评估

数据分析与建模详细案例分析

1、用户留存分析与预估

2、网络运维中吞吐量估计与误差分析

3、小区流量统计与分析

4、客户贷款数据的风险分析和建模与评价

5、各种机器学习模型的调参经验分享

6、模型评价及其意义