【人工智能产业（含区块链技术）
培训项目——机器学习】
【课程定位】
1. 掌握目前主流的人工智能机器学习的原理、算法及实现方法；
2. 掌握基本的Python语法，软件平台；
3. 掌握Numpy、Pandas等复杂数据处理工具；
4. 通过8-10个案例学习，掌握视觉、图像、音频、自然语言等方向的人工智能项目开放流程。
【课程对象】
航天信息领域业务骨干。
【培训时长】
50学时。
【培训方式/工具及方法】
本课程采用模块化教学方法，通过理论讲授，案例分析，方法传授、动画演示、互动讨论，讲师点评、项目展示等多种教学手段与方法。
【授课大纲】
一、 大数据/人工智能技术基础 （5个学时）
大数据/人工智能发展历史
大数据/人工智能应用现状及演变趋势
大数据/人工智能人工智能的主流平台
二、 Python的基本语法（2个学时）
组合数据类型
条件语句
循环语句
字符串处理
三、 基于Python的大数据处理工具（结合案例）（3学时）
Numpy库
Pandas库
matplotlib库
四、 机器学习的概念、核心思想、主要算法（结合具体案例）（10个学时）
机器学习的概念
机器学习的分类、机器学习的应用领域
线性回归技术建模
聚类分析技术建模
KNN技术建模
朴素贝叶斯技术建模
随机森林技术建模
LightGBM技术建模
五、 神经网络理论及实践（3个学时）
神经网络基本概念
误差反向传播算法（数学推导过程）
误差函数误与差函数
随机梯度下降法
学习率设置
正则化与DropOut
六、 TensorFlow平台深度网络开发详解（2个学时）
数据模型
计算模型
运行模型
TensorFlow训练神经网络三个步骤
一个完整的神经网络应用实例
七、 Keras平台深度网络开发详解（含实践）（5个学时）
数据导入、归一化、预处理
序贯模型定义与编译
模型训练过程详解
模型使用与准确度评估
Keras中使用Pandas进行数据的导入与预处理实践（以csv数据为例）
Keras中使用Scikit-learn 进行交叉验证及模型调参实践
八、 卷积神经网络经典模型及实践（含实践）（5个学时）
卷积神经网络理论基础（卷积、池化、激活、压平）
LeNet-5深度学习模型及实践
Inception-v3深度学习模及实践
深度学习迁移算法及实践（物品真伪识别）
九、 图像增强（含实践）（5个学时）
Keras中图像增强的API接口
图像的特征标准化
ZCA白话
图像随机旋转、移动、剪切和反转
图像增强及结果保存实践
十、 循环神经网络经典模型及实践（含实践）（5个学时）
循环神经网络理论基础
RNN模型结构
单/多层LSTM模型结构
LSTM模型应用实操
十一、 自然语言处理（含实践）（5个学时）
分词与向量理论基础
自编码器
KL散度
Word2Vec 算法结构及应用实践
词云生成与词频的统计
基于堆栈LSTM模型的文本情感分析模型实践
十二、 基于深度学习的视频检测（5个学时）
视频检测理论基础
视频数据结构分析与预处理
Faster R-CNN目标检测网络结构
MPG目标分类损失改进模型
一个基于在线视频的目标检测模型实践
十三、 深度学习技术应用研讨、考试与答疑（5个学时）
深度学习在航天领域的应用研讨及案例分析
作业布置
技术答疑
