一、课程
1.人工智能应用与实践
课程名称
人工智能应用与实践
课程介绍
本课程首先从宏观上讲述了人工智能技术的范畴，发展方向，以及近几年的状况。结合实验，介绍人工智能在图像识别，分类，语音识别，自然语言处理等方面的应用场景。
课程目标
学生完成课程后的总体目标是：
（1）清晰了解人工智能的技术发展，行业发展和现状
（2）了解人工智能在行业中的应用，能够理解实际案例
课程时长
32
课程内容
视频1：什么是智能
视频2：什么是人工智能
视频3：人工智能的发展简史
视频4：人工智能的应用
视频5：机器学习
视频6： 神经网络
视频7：深度学习
视频8： OCR基本介绍
视频9：OCR的应用场景
视频10：OCR的功能演示
视频11：自定义模版文字识别
视频12： 图像识别基础知识
视频13：图像识别与深度学习
视频14：图像识别技术的应用
视频15：图像识别功能演示
视频16：EasyDL定制化图像识别
视频17：人脸识别技术介绍
视频18：人脸识别应用
视频19：人脸识别演示
视频20：人体分析
视频21：人体分析应用
视频22：人体分析服务演示
视频23：语音技术基础
视频24：语音识别应用设计
视频25：语音唤醒.
视频26：声纹识别
视频27：语音合成
视频28：语音技术应用
视频29：语音技术演示
视频30：自然语言处理基础
视频31：自然语言处理应用
视频32：自然语言处理演示
视频33：机器翻译基本介绍
视频34：机器翻译应用
视频35：机器翻译演示
实验内容
实验1：通用文字识别
实验2：识别各类卡片证照的应用
实验3：识别中国大陆机动车车牌的应用
实验4：识别营业执照以及支票的应用
实验5：识别表格内容完成纸质报表单据的电子化应用
实验6：自定义模板完成文字识别的应用
实验7：菜品识别分类
实验8：车辆识别分类
实验9：商标识别分类
实验10：动物识别分类
实验11：植物识别分类
实验12：EasyDL定制化图像识别
实验13：人脸检测和属性分析
实验14：人脸相似度对比
实验15：人脸搜索应用
实验16：人体关键点识别的应用开发
实验17：人体属性分析的应用开发
实验18：人流量统计的应用开发
实验19：语音识别的应用开发
实验20：语音合成的应用开发
实验21：词法分析
实验22：词向量表示
实验23：DNN语言模型
实验24：评论观点抽取
实验25：短文本相似度
实验26：情感倾向分析
2.Python编程基础（见大数据）
3.Python数据分析（见大数据）
4.机器学习
课程名称
机器学习
课程介绍
本课程从机器学习的基本知识导入，讲述数据清洗，特征选择，建模，模型评估和优化，模型选择的基本流程。并讲述了常用的线性回归，逻辑分类，决策树，随机森林，K-近邻，支持向量机以及K-均值聚类算法等，讲解算法的基本原理，结合案例和Python库讲解如何应用算法，以及对应的场景和注意事项。
课程目标
学生完成课程后的总体目标是：
（1）掌握通过机器学习算法建模的基本流程和方法
（2）掌握主要机器学习算法的基本原理和应用场景
（3）能够利用Python库，应用常见算法完成建模
（4）根据数据和应用场景，选择合适的算法，完成数据清洗，建模，评估的过程。
课程时长
64
课程内容
视频1：什么是机器学习
视频2：机器学习的方法
视频3：模型评估与选择
视频4：python介绍和平台搭建
视频5：基本语法
视频6：python数据挖掘
视频7：学习内容介绍
视频8：以鸢尾花数据集为例
视频9：什么是聚类
视频10：相似性度量
视频11：常用的聚类分析方法
视频12：应用案例
视频13：模型介绍
视频14：距离度量和k值选择
视频15：应用案例
视频16：相关分析
视频17：一元线性回归分析
视频18：多元线性回归分析
视频19：案例介绍.
视频20：建模
视频21：logistic回归建模
视频22： logistic实战
视频23：分类问题
视频24：信息熵
视频25：决策树学习算法
视频26： 随机森林
视频27：应用案例
视频28：线性可分支持向量机
视频29：线性支持向量机和软间隔
视频30：非线性支持向量机
视频31：SMO算法
视频32：应用案例
视频33：朴素贝叶斯
视频34：贝叶斯决策论&贝叶斯分类器
视频35：应用案例.
视频36：bagging和随机森林
视频37：前向分布算法
视频38：梯度提升树
视频39：XGBoost.
视频40：Adaboost
视频41： 应用案例
视频42：神经元模型
视频43：感知机与多层网络
视频44： 误差逆传播算法
视频45：深度学习
视频46：应用举例
视频47：实验1 实验准备
视频48：实验2-01实验目的及步骤
视频49：实验2-02实验模型程序（上）
视频50：实验2-03实验模型程序（下）
视频51：实验3 集成算法
实验内容
实验1：Python机器学习相关工具安装与使用介绍
实验2：聚类分析应用举例
tensorflow版本选择
实验3：KNN应用举例
实验4：线性回归和回归树举例
实验5：Logistic回归应用举例
实验6：决策树应用举例
实验7：支持向量机应用举例
实验8：贝叶斯分类器应用举例
实验9：集成学习应用举例
实验10：神经网络应用举例
实验11：通讯运营商客户流失案例之单模型分析
实验12：通讯运营商客户流失案例之集成模型分析
5.TensorFlow深度学习实战

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。