Fundamentals of Artificial Intelligence (AI) and Machine Learning

• 具有 Python 编程经验
• 对统计学和数学概念有基本的了解

观众

• 开发 人员
• 数据科学家

机器学习是人工智能的一个分支，其中计算机具有无需明确编程即可学习的能力。

深度学习是机器学习的一个子领域，它使用基于学习数据表示和结构（如神经网络）的方法。

Python 是一种高级编程语言，以其清晰的语法和代码可读性而闻名。

在这个以讲师为主导的现场培训中，参与者将学习如何使用Python实施电信深度学习模型，同时逐步创建深度学习信用风险模型。

在培训结束时，参与者将能够：

• 了解深度学习的基本概念。
• 了解深度学习在电信中的应用和用途。
• 使用 Python、Keras 和 TensorFlow 创建电信深度学习模型。
• 使用 Python 构建自己的深度学习客户流失预测模型。

课程形式

• 互动讲座和讨论。
• 大量的练习和练习。
• 在现场实验室环境中实际实施。

课程定制选项

• 如需申请此课程的定制培训，请联系我们进行安排。

应用材料简介 Machine Learning

• 统计学习与机器学习
• 迭代和评估
• 偏差-方差权衡
• 监督学习与无监督学习
• 使用 Machine Learning 解决的问题
• 训练验证测试 – ML 工作流，以避免过度拟合
• Machine Learning的工作流程
• 机器学习算法
• 为问题选择适当的算法

算法评估

• 评估数值预测
  • 精度测量：ME、MSE、RMSE、MAPE
  • 参数和预测稳定性
• 评估分类算法
  • 准确性及其问题
  • 混淆矩阵
  • 班级不平衡问题
• 可视化模型性能
  • 利润曲线
  • ROC曲线
  • 提升曲线
• 选型
• 模型调优 – 网格搜索策略

建模的数据准备

• 数据导入和存储
• 了解数据 – 基本探索
• 使用 pandas 库进行数据操作
• 数据转换 – 数据整理
• 探索性分析
• 缺失观测值 – 检测和解决方案
• 异常值 – 检测和策略
• 标准化、归一化、二值化
• 定性数据重新编码

用于异常值检测的机器学习算法

• 监督算法
  • KNN系列
  • 集成梯度提升
  • SVM公司
• 无监督算法
  • 基于距离
  • 基于密度的方法
  • 概率方法
  • 基于模型的方法

了解 Deep Learning

• Deep Learning的基本概念概述
• 区分 Machine Learning 和 Deep Learning
• Deep Learning 的应用概述

Neural Networks概述

• 什么是 Neural Networks
• Neural Networks 与回归模型
• 了解 Mathematical 基础和学习机制
• 构建人工神经网络
• 了解神经节点和连接
• 处理神经元、层以及输入和输出数据
• 了解单层感知器
• 监督学习和无监督学习之间的区别
• 学习前馈和反馈 Neural Networks
• 了解前向传播和反向传播

使用 Keras 构建简单的 Deep Learning 模型

• 创建 Keras 模型
• 了解您的数据
• 指定 Deep Learning 型号
• 编译模型
• 拟合您的模型
• 使用分类数据
• 使用分类模型
• 使用模型 

使用 TensorFlow 执行 Deep Learning

• 准备数据
  • 下载数据
  • 准备训练数据
  • 准备测试数据
  • 缩放输入
  • 使用占位符和变量
• 指定网络架构
• 使用成本函数
• 使用优化器
• 使用初始值设定项
• 拟合神经网络
• 构建图表
  • 推理
  • 损失
  • 训练
• 训练模型
  • 图表
  • 会议
  • 火车环路
• 评估模型
  • 构建评估图
  • 使用 Eval Output 进行评估
• 大规模训练模型
• 使用 TensorBoard 可视化和评估模型

Deep Learning在异常检测中的应用

• 自动编码器
  • 编码器 - 解码器架构
  • 重建损失
• 变分自动编码器
  • 变分推理
• 生成对抗网络
  • 生成器 – 鉴别器架构
  • 使用 GAN 的 AN 方法

集成框架

• 结合不同方法的结果
• Bootstrap 聚合
• 平均异常值分数