Fundamentals of Artificial Intelligence (AI) and Machine Learning

• 具有 Python 程式設計經驗
• 對統計學和數學概念有基本的瞭解

觀眾

• 開發人員
• 數據科學家

機器學習是人工智慧的一個分支，其中計算機具有無需明確程式設計即可學習的能力。

深度學習是機器學習的一個子領域，它使用基於學習數據表示和結構（如神經網路）的方法。

Python 是一種高級程式設計語言，以其清晰的語法和代碼可讀性而聞名。

在這個以講師為主導的現場培訓中，參與者將學習如何使用Python實施電信深度學習模型，同時逐步創建深度學習信用風險模型。

在培訓結束時，參與者將能夠：

• 瞭解深度學習的基本概念。
• 瞭解深度學習在電信中的應用和用途。
• 使用 Python、Keras 和 TensorFlow 創建電信深度學習模型。
• 使用 Python 構建自己的深度學習客戶流失預測模型。

課程形式

• 互動講座和討論。
• 大量的練習和練習。
• 在現場實驗室環境中實際實施。

課程定製選項

• 如需申請此課程的定製培訓，請聯繫我們進行安排。

應用材料簡介 Machine Learning

• 統計學習與機器學習
• 反覆運算和評估
• 偏差-方差權衡
• 監督學習與無監督學習
• 使用 Machine Learning 解決的問題
• 訓練驗證測試 – ML 工作流，以避免過度擬合
• Machine Learning的工作流程
• 機器學習演算法
• 為問題選擇適當的演算法

演演算法評估

• 評估數值預測
  • 精度測量：ME、MSE、RMSE、MAPE
  • 參數和預測穩定性
• 評估分類演算法
  • 準確性及其問題
  • 混淆矩陣
  • 班級不平衡問題
• 可視化模型性能
  • 利潤曲線
  • ROC曲線
  • 提升曲線
• 選型
• 模型調優 – 網格搜索策略

建模的數據準備

• 數據導入和存儲
• 了解數據 – 基本探索
• 使用 pandas 庫進行數據操作
• 數據轉換 – 數據整理
• 探索性分析
• 缺失觀測值 – 檢測和解決方案
• 異常值 – 檢測和策略
• 標準化、歸一化、二值化
• 定性數據重新編碼

用於異常值檢測的機器學習演算法

• 監督演算法
  • KNN系列
  • 集成梯度提升
  • SVM公司
• 無監督演算法
  • 基於距離
  • 基於密度的方法
  • 概率方法
  • 基於模型的方法

瞭解 Deep Learning

• Deep Learning的基本概念概述
• 區分 Machine Learning 和 Deep Learning
• Deep Learning 的應用概述

Neural Networks概述

• 什麼是 Neural Networks
• Neural Networks 與回歸模型
• 瞭解 Mathematical 基礎和學習機制
• 構建人工神經網路
• 了解神經節點和連接
• 處理神經元、層以及輸入和輸出數據
• 瞭解單層感知器
• 監督學習和無監督學習之間的區別
• 學習前饋和反饋 Neural Networks
• 瞭解前向傳播和反向傳播

使用 Keras 構建簡單的 Deep Learning 模型

• 創建 Keras 模型
• 瞭解您的數據
• 指定 Deep Learning 型號
• 編譯模型
• 擬合您的模型
• 使用分類數據
• 使用分類模型
• 使用模型 

使用 TensorFlow 執行 Deep Learning

• 準備數據
  • 下載數據
  • 準備訓練數據
  • 準備測試數據
  • 縮放輸入
  • 使用佔位元和變數
• 指定網路架構
• 使用成本函數
• 使用優化器
• 使用初始值設定項
• 擬合神經網路
• 構建圖表
  • 推理
  • 損失
  • 訓練
• 訓練模型
  • 圖表
  • 會議
  • 火車環路
• 評估模型
  • 構建評估圖
  • 使用 Eval Output 進行評估
• 大規模訓練模型
• 使用 TensorBoard 視覺化和評估模型

Deep Learning在異常檢測中的應用

• 自動編碼器
  • 編碼器 - 解碼器架構
  • 重建損失
• 變分自動編碼器
  • 變分推理
• 生成對抗網路
  • 生成器 – 鑒別器架構
  • 使用 GAN 的 AN 方法

集成框架

• 結合不同方法的結果
• Bootstrap 聚合
• 平均異常值分數