大模型AIGC培训讲师人工智能培训讲师叶梓Python深度学习与AIGC培训提纲

时间

内容

案例实践与练习

Day1上午

预处理与回归

数据预处理

1. 数据清理
2. 规范化
3. 模糊集与粗糙集
4. 无标签时：PCA
5. 有标签时：Fisher线性判别
6. 数据压缩（DFT、小波变换）

回归与时序分析

1. 线性回归
2. 非线性回归
3. logistics回归
4. LASSO
5. 岭回归
6. Elastic Net

案例实践：

1. 数据清洗的例子
2. PCA的实验
3. DFT的实验
4. LASSO与岭回归
5. Elastic Net

Day1下午

基于python实现的经典算法

决策树模型

1. 分类和预测
2. 熵减过程与贪心法
3. ID3
4. C4.5
5. 其他改进方法
6. 决策树剪枝

聚类

1. 监督学习与无监督学习
2. K-means与k-medoids
3. 层次的方法
4. 基于密度的方法
5. 基于网格的方法
6. 孤立点分析

案例实践：

1. 决策树的实验
2. 鸢尾花数据的聚类
3. 手肘法分析最佳聚类个数
4. 各种聚类方式的图形化展示

Day2上午

基于python实现的经典算法

关联规则

1. 频繁项集
2. 支持度与置信度
3. 提升度
4. Apriori性质
5. 连接与剪枝

性能评价指标

1. 精确率；
2. P、R与F1
3. ROC与AUC
4. 对数损失
5. 泛化性能评价：k折验证验证

BP神经网络

1. 人工神经元及感知机模型
2. Sigmoid激活函数
3. 前向神经网络的架构
4. 梯度下降
5. 误差反向传播详解

案例实践：

1. 超市购物篮——关联规则分析
2. 朴素贝叶斯案例：皮马印第安人患糖尿病的风险

案例实践：

1. 皮马印第安人糖尿病风险：验证多种模型
2. 绘制ROC并计算AUC
3. 手算神经网络BP算法
4. 只用numpy，手推BPNN

Day2下午

SVM与深度学习基础

支持向量机

1. “双螺旋”问题
2. 基本模型与惩罚项
3. 求解对偶问题
4. 核函数：映射到高维
5. 从二分类到多分类
6. 用于连续值预测的支持向量机

深度学习基础

1. 连接主义的兴衰
2. 深度学习与神经网络的区别与联系
3. 目标函数与激励函数
4. 学习步长
5. 权重初始化
6. 权重衰减（Weight Decay）
7. 梯度下降的方法：Adagrad \ RMSprop \ Adam
8. 避免过适应

案例实践：

1. SVM实现人脸识别应用
2. 通过深度BP网络实现手写数字的识别
3. 各种梯度下降方法的实战效果
4. Batch normalization的实战效果

Day3上午

CNN与目标检测

图像分类CNN

1. 图像分类概述
2. AlexNet与ZF-Net
3. 卷积层的误差反向传播
4. 池化层的误差反向传播
5. VGG（5层变为5组）
6. 迁移学习
7. GoogLenet和Inception模块
8. 模型退化与ResNet
9. DenseNet（充分利用特征）
10. 最新的efficientnet

二阶段目标检测

1. 目标检测项目介绍
2. R-CNN
3. SPPNET（全图卷积、SPP层）
4. Fast-RCNN（多任务）
5. Faster-RCNN（RPN）

案例实践：

1. VGG各层的可视化展现
2. 迁移学习：阿猫与阿狗
3. Resnet用于图像分类
4. 基于Faster-RCNN的通用目标检测示例
5. 改造成“血细胞识别”系统