一、 培训内容：
模块一：详解machine learning算法及应用
模块二：企业机器学习平台搭建
模块三：如何解决小数据问题：
模块四：如何进行算法优化
二、 课程时间：4天，6小时/天
三、 授课对象：
四、 授课方式：
理论讲授，案例分析，方法传授、动画演示、互动讨论，讲师点评、实战演练。
五、 课程大纲：
模块一：详解machinelearning算法及应用
1. 实用算法理论
1.1信息检索（NER 关系抽取）
1.1.1 引言
1.1.2 NN/CNN-CRF模型
1.1.3 RNN-CRF模型
1.1.4 最近的一些工作
1.1.5 总结
1.2文本摘要
1.2.1 介绍
1.2.2 生成式文本摘要
1.2.3 最新前沿动态
1.2.4 评估摘要
1.2.5 文本摘要总结
1.3多类分类与多标签分类
1.3.1 多类与多标签分类两者区别
1.3.2 性能度量方法
1.3.3 基于样例的度量方法
1.3.4 基于标签的度量方法
1.3.5 深度学习的应用
1.4OCR
1.4.1 OCR简介
1.4.2 OCR的应用场景
1.4.3 OCR的技术路线
1.4.4 图像预处理
1.4.5 文字检测
1.4.6 文本识别
1.4.7 端到端的OCR
2. 实用算法应用
2.1智能问答对话的架构及各个组件（多轮对话，知识图谱、业务问答、闲聊）
2.2搜索引擎
2.3用户行为分析（多模态）
2.4图表检索（柱状图等）
模块二：企业机器学习平台搭建
1. Anaconda 在线平台搭建
1.1 python 环境安装
1.2 Numpy、Pandas等数据操作环境的安装
1.3 Tensorflow 环境安装
1.4 Keras 环境安装
1.5 Sklearn 机器学习环境的安装
1.6 在线并发环境编程实践
模块三：如何解决小数据问题：
2. 数据标注系统 - 用户
2.1 开源的数据源介绍（10种）
2.2 数据标注系统及实践（2种）
3. 主动学习（active learning） 模型
3.1 主动学习模型结构
3.2 查询函数举例
3.3 主动学习编程实践
4. 迁移学习模型
4.1 迁移学习思路
4.2 迁移学习编程实践（vgg16）
5. 无监督学习（聚类算法）
5.1 聚类算法
5.2 聚类算法编程实践
6. 增强学习（reinforcement learning）
7. 数据增强
7.1 数据增强方法介绍（5种）
7.2 数据增强编程实践
模块四：如何进行算法优化
1. 预处理与特征工程
2. 神经网络调参之路
3. 模型融合
六、 课程总结：
一、重点知识回顾与总结
二、互动与讨论：问与答
就学员提出的问题进行分析、讨论、模拟演练和点评。
七、 讲师介绍：
