
Python基礎(chǔ)及案例應(yīng)用集訓(xùn)_高級(jí)培訓(xùn)
一
利用文本分析進(jìn)行網(wǎng)絡(luò)輿情分析
利用文本分析進(jìn)行命名實(shí)體識(shí)別
——
文本分析簡(jiǎn)介及文本分析流程
中文分詞方法
中文詞性標(biāo)注方法
關(guān)鍵詞提取方法
命名實(shí)體識(shí)別
文本分析模型實(shí)作與比較: 以網(wǎng)絡(luò)輿情分析模型及命名實(shí)體識(shí)別為例
二
利用文本分析進(jìn)行新聞文件分類(lèi)及新聞文件摘要
利用深度學(xué)習(xí)模型建置人臉識(shí)別及物體偵測(cè)模型
——
新聞文件分類(lèi)方法
中文文本摘要方法
人臉識(shí)別及應(yīng)用
OpenCV及Dlib簡(jiǎn)介
人臉偵測(cè)及人臉68個(gè)特征擷取
人臉識(shí)別(利用ResNet)
物體檢測(cè)與定位及應(yīng)用
目標(biāo)檢測(cè)技術(shù)概述
YOLOv3簡(jiǎn)介及COCO 數(shù)據(jù)集(80類(lèi)people (人),bicycle(自行車(chē)),car(汽車(chē))...等數(shù)據(jù))
物體定位
物體檢測(cè)
文本分析及深度學(xué)習(xí)模型實(shí)作與比較: 以新聞文件分類(lèi)與摘要及人臉識(shí)別及物體偵測(cè)模型為例
三
利用半監(jiān)督學(xué)習(xí)技術(shù)進(jìn)行電信業(yè)客戶(hù)流失模型的建置
利用深度學(xué)習(xí)技術(shù)進(jìn)行信用卡盜刷預(yù)測(cè)模型建置
——
傳統(tǒng)監(jiān)督學(xué)習(xí)方法與非監(jiān)督學(xué)習(xí)方法
半監(jiān)督學(xué)習(xí)方法概述
半監(jiān)督學(xué)習(xí)模型實(shí)作與比較: 以電信業(yè)客戶(hù)流失模型為例
智能反欺詐概述
反欺詐手法
機(jī)器學(xué)習(xí)方法
深度學(xué)習(xí)方法
深度學(xué)習(xí)模型實(shí)作與比較: 以信用卡盜刷預(yù)測(cè)模型為例
四
以利潤(rùn)大化為目標(biāo)之產(chǎn)品營(yíng)銷(xiāo)模型的建置
利用集成學(xué)習(xí)建置小額信貸及信用風(fēng)險(xiǎn)預(yù)測(cè)模型
——
傳統(tǒng)模型評(píng)估方法與利潤(rùn)大化評(píng)估方法
增益圖與利潤(rùn)圖
利潤(rùn)大化模型實(shí)作與比較: 以產(chǎn)品營(yíng)銷(xiāo)模型為例
傳統(tǒng)學(xué)習(xí)與集成學(xué)習(xí)
集成學(xué)習(xí)的分類(lèi):模型融合與機(jī)器學(xué)習(xí)元算法
模型融合模型建置(多數(shù)法(Max Voting)、平均法(Averaging)、
加權(quán)平均法(Weighted Averaging)、堆疊法(Stacking)、混合法(Blending))
機(jī)器學(xué)習(xí)元算法模型建置(袋裝法(Bagging)、袋裝通用法(Bagging meta-estimator)、隨機(jī)森林(Random Forest)、
提升法(Boosting)、Adaboosting算法、Gradient Boosting算法、XGBoosting算法)