《數(shù)據(jù)分析可視化與AI算法實踐》

= = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = =
《數(shù)據(jù)分析可視化與 AI 算法實踐》 -段方
某世界 100 強企業(yè)大數(shù)據(jù)總設(shè)計師 教授 北京大學(xué)博士后
= = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = =
20535703331 背景
-------------------------------------------------------------
1.1 從 AlphaGo 說起
1.1.1 AlphaGo 的效果
1.1.2 AlphaGo 的原理
1.2 機(jī)器學(xué)習(xí)基礎(chǔ)
1.2.1 機(jī)器學(xué)習(xí)的歷史
1.2.2 機(jī)器學(xué)習(xí)概念
1.2.3 機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘
1.3 深度學(xué)習(xí)基礎(chǔ)
1.3.1 深度學(xué)習(xí)的概念和特點
1.3.2 深度學(xué)習(xí)的意義
1.3.3 深度學(xué)習(xí)的應(yīng)用領(lǐng)域
1.4 應(yīng)用與技術(shù)的平衡
1.4.1 數(shù)據(jù)驅(qū)動還是應(yīng)用驅(qū)動 ？
1.4.2 應(yīng)用價值的顯現(xiàn)化
1.4.3 對內(nèi)服務(wù)和對外服務(wù)
1.5 GPU 的引出
1.5.1 計算的硬件基礎(chǔ)
1.5.2 與 CPU 的對比
1.5.3 與 FPGA 的對比
1.5.4 GPU 的示例
1.6 建設(shè)應(yīng)用的生態(tài)圈——GitHub
1.6.1 為什么要建生態(tài)圈
1.6.2 生態(tài)圈的構(gòu)建方法
1.6.3 GITHUB 的意義
1.7 【案例】附件——大數(shù)據(jù)和 AI 對各個行業(yè)的影響
20535729122 機(jī)器學(xué)習(xí)基礎(chǔ)
-------------------------------------------------------------
2.1 多維分析方法
2.1.1 OLAP 分析
2.1.2 上鉆和下鉆
2.1.3 用 OLAP 分析問題
2.2 分析算法
2.2.1 回歸算法
2.2.1.1 線性回歸
2.2.1.2 邏輯回歸
2.2.2 決策樹算法
2.2.2.1 C4.5 算法
2.2.2.2 CART 算法
2.2.3 貝葉斯算法
2.2.3.1 樸素貝葉斯算法
2.2.3.2 BBN（ Bayesian Belief Network）算法
2.2.4 基于核的算法
2.2.4.1 支持向量機(jī) SVM 算法
2.2.4.2 線性判別分析(Linear Discriminate Analysis ，LDA)
2.2.5 聚類算法
2.2.5.1 K-MEANS 算法
2.2.5.2 期望最大化算法(Expectation Maximization ， ME)
2.2.6 關(guān)聯(lián)規(guī)則算法
2.2.6.1 Apriori 算法
2.2.7 降低維度算法
2.2.7.1 主成份分析(Principle Component Analysis ， PCA)算法
2.2.7.2 偏最小二乘回歸(Partial Least Square Regression ，PLS)算法
2.2.8 集成算法
2.2.8.1 隨機(jī)森林算法
2.2.8.2 梯度推進(jìn)機(jī)
2.3 【案例】附件-機(jī)器學(xué)習(xí)方法在金融行業(yè)應(yīng)用舉例
20535916973 數(shù)據(jù)分析的可視化
-------------------------------------------------------------
3.1 可視化的概念和范疇
3.2 從統(tǒng)計分析開始的可視化
3.2.1 Excel 的可視化
3.3 傳統(tǒng)數(shù)據(jù)分析工具的可視化
3.3.1 SPSS 分析的可視化
3.4 開源的可視化工具
3.4.1 百度 Echarts 的可視化
3.4.2 阿里 DataV 的可視化
3.5 圖表的可視化美化
3.5.1 canva
3.6 【案例】附件——數(shù)據(jù)分析可視化案例
20535735434 人工智能的應(yīng)用內(nèi)容
-------------------------------------------------------------
4.1 模式識別應(yīng)用
4.1.1 人臉識別
4.1.2 文字識別
4.1.3 物體識別
4.2 博奕類應(yīng)用
4.2.1 IBM 的“深藍(lán)”
4.2.2 “紫光之星”
4.3 專家系統(tǒng)
4.3.1 醫(yī)療領(lǐng)域
4.3.2 探礦領(lǐng)域
4.4 機(jī)器人
4.4.1 KAKU 機(jī)器人
4.4.2 機(jī)器人足球
4.4.3 機(jī)器人舞蹈
4.5 機(jī)器視覺
4.5.1 圖像識別
4.5.2 罪犯人臉特征分析
4.6 自然語言理解
4.6.1 谷歌翻譯
4.6.2 語音識別
4.7 其它應(yīng)用
4.7.1 自動程序設(shè)計
4.7.2 智能信息檢索
4.7.3 聲紋識別
4.7.4 智能仿真
4.8 【案例】AlphaGo 下圍棋的原理介紹
-------------------------------------------------------------
5 人工智能的深度學(xué)習(xí)
205351099005.1 概述
5.1.1 為什么是深度學(xué)習(xí) ？
5.1.1.1 引出
5.1.1.2 與淺層學(xué)習(xí)的區(qū)別
5.1.1.3 原因
5.1.2 什么是“無監(jiān)督”學(xué)習(xí) ？
5.1.3 與神經(jīng)網(wǎng)絡(luò)的關(guān)系 ？
5.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)
5.2.1.1 腦神經(jīng)元分析
5.2.2 原理
5.2.2.1 BP 網(wǎng)絡(luò)
5.3 深度學(xué)習(xí)介紹
5.3.1 多層神經(jīng)網(wǎng)絡(luò)
5.3.2 深度學(xué)習(xí)的弱點
5.3.2.1 缺乏時間概念
5.3.2.2 視頻與圖片
5.4 深度學(xué)習(xí)原理
5.4.1 從單層神經(jīng)網(wǎng)絡(luò)到多層神經(jīng)網(wǎng)絡(luò)
5.4.2 深度學(xué)習(xí)的訓(xùn)練過程
5.4.3 深度學(xué)習(xí)的具體模型及方法
5.4.4 深度學(xué)習(xí)的性能比較
5.4.5 深度學(xué)習(xí)的應(yīng)用
5.5 深度學(xué)習(xí)的意義
5.5.1 改變了傳統(tǒng)人工智能的哪些思維定式 ？
5.5.2 深度學(xué)習(xí)的無監(jiān)督學(xué)習(xí)
5.6 TensorFlow
5.6.1 技術(shù)框架
5.6.2 與 Python 的關(guān)系
5.6.3 TensorFlow 實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
5.6.4 TensorFlow 實現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)
5.6.5 TensorFlow 實現(xiàn)多 GPU 并行及分布計算
5.7 【案例】某行業(yè)人工智能應(yīng)用案例
20535735766 人工智能的算法解析
-------------------------------------------------------------
6.1 人工智能的算法范疇
6.1.1 搜索算法
6.1.2 博弈算法
6.1.3 模糊算法
6.1.4 遺傳算法
6.2 機(jī)器學(xué)習(xí)算法
6.2.1 C4.5 算法
6.2.2 K-means 算法
6.2.3 樸素貝葉斯算法
6.2.4 K 最近鄰分類算法
6.2.5 ME 最大期望算法
6.2.6 PAGERANK 算法
6.2.7 AdaBoost 算法
6.2.8 APRIORI 算法
6.2.9 CART 分類與回歸樹
6.3 深度學(xué)習(xí)的算法
6.3.1 （多層）感知機(jī)
6.3.2 深度神經(jīng)網(wǎng)絡(luò)（ DNN ）
6.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò)（ RNN ）
6.3.4 卷積神經(jīng)網(wǎng)絡(luò)（ CNN ）
6.3.5 長短期記憶網(wǎng)絡(luò)（ LSTM ）
6.4 數(shù)據(jù)分析框架——Spark MLib
6.4.1 Spark MLib 的基礎(chǔ)框架與原理
6.4.2 Spark MLib 基本算法
6.4.2.1 Spark MLib 支持的分類算法
6.4.2.2 Spark MLib 支持的聚類算法
6.4.2.3 Spark MLib 協(xié)同過濾
6.4.3 Spark MLib 中的矩陣向量運算庫 jblas
6.4.4 Spark MLib 梯度下降算法
6.4.5 【實際操作】Spark MLib 中 K-means 算法源碼相關(guān)參數(shù)、分析與調(diào)試 ， 熟悉 k_means 的步驟
6.4.5.1 K-means 算法源碼分析
6.4.5.2 K-means 算法實例
6.4.5.2.1 數(shù)據(jù)準(zhǔn)備及參數(shù)配置
6.4.5.2.2 使用 KMeans 建立模型、訓(xùn)練、預(yù)測結(jié)果及模型評估
6.5 【案例】算法實際應(yīng)用案例
6.5.1 客戶語音識別案例
6.5.2 人臉識別案例
20535777137 人工智能的應(yīng)用案例 ：自然語言處理
20535551377.1 NLP 的技術(shù)原理
7.2 "大模型、多模態(tài)"的代表——GPT-3
7.3 聊天機(jī)器人的代表——ChatGPT
7.4 【案例】ChatGPT 舉例
20535739438 人工智能的關(guān)鍵點
-------------------------------------------------------------
8.1 數(shù)據(jù)重要還是算法重要 ？
8.2 如何收集非結(jié)構(gòu)化數(shù)據(jù) ？
8.3 應(yīng)用的最后一公里問題
8.4 人工智能應(yīng)用步驟規(guī)劃
8.5 如何借助他人的“肩膀” ？
20535731289 總結(jié)
-------------------------------------------------------------

段方老師的其它課程