参会|Python高级编程与机器学习技术及应用实战培训班（10.22-10.25，广州，实地视频同时进行）

时间

授课方式

课程

主要内容

Day1

08:30-09:00

课程简介经验分享

第一章 Python入门基 础

1、到底应该如何学习编程？应该学习哪种编程语言？为什么 Python 越来越受欢迎？2、Python 环境搭建（ 下载、安装与版本选择）。3、如何选择 Python 编辑器？（IDLE、Notepad++、 PyCharm、Jupyter…） 4、Python 程序的运行（Hello World） 6、Python 基础（数据类型和变量、字符串和编码、list 和 tuple、条件判断、循环、函数的定义与调用等） 7、常见的错误与程序调试 8、第三方模块的安装与使用 9、文件读写（I/O） 10、Python 绘图基础

09:00-12:00

相关知识点复习与巩固 理论讲解与案例演示 实操练习

14:00-15:30

理论讲解与案例演示 实操练习

第二章Numpy模块库入门

1、Numpy 简介、下载与安装 2、Numpy 数据类型 3、Numpy 数组的创建与索引 4、Numpy 数组操作 5、Numpy 函数（字符串函数、数学和统计函数等） 6、Numpy 矩阵库 7、Numpy 线性代数

15:30-16:30

理论讲解与案例演示 实操练习

第三章 Python绘图基 础

1、Python 初级绘制 2、改变线条的颜色和粗细 3、添加图例 4、图像、字图、坐标轴和记号 5、常见的图像形状（散点图、条形图、等高线图…） 

16:30-18:00

理论讲解与案例演示 实操练习

第四章 Python网络爬虫 基础

1、了解网页 2、使用 requests 库爬取网站数据 3、使用 Beautiful Soup 库解析网页数据 4、使用 selenium 库爬取动态网页数据 5、案例实践与讲解

Day2

08:30-12:0 0

理论讲解与案 例演示 实操练习

第五章BP 神经网络基础

1、BP 神经网络的基本原理（人工智能发展过程经历了 哪些曲折？人工神经网络的分类有哪些？有导师学习 和无导师学习的区别是什么？BP 神经网络的拓扑结构 和训练过程是怎样的？什么是梯度下降法？BP 神经网 络建模的本质是什么？） 2、Scikit-Learn 模块库简介、下载与安装 3、BP 神经网络的 Python 实现（怎样划分训练集和测 试集？为什么需要归一化？归一化是必须的吗？什么 是梯度爆炸与梯度消失？） 4、BP 神经网络参数的优化（隐含层神经元个数、学习 率、初始权值和阈值等如何设置？什么是交叉验证？） 5、值得研究的若干问题（欠拟合与过拟合、泛化性能 评价指标的设计、样本不平衡问题等） 6、案例演示一：近红外光谱汽油辛烷值预测（回归拟 合） 7、案例演示二：MNIST 手写数字识别（分类识别） 8、实操练习

14:00-15:0 0

理论讲解与案 例演示 实操练习

第六章极限学习机及其Python实现

1、极限学习机（Extreme Learning Machine, ELM）的基 本原理（ELM 的基本算法，“极限”体现在哪些地方？） 2、ELM 与 BP 神经网络的区别与联系 3、ELM 的 Python 代码实现 4、案例实践：鸢尾花种类识别

15:00-16:3 0

理论讲解与案 例演示 实操练习 知识点总结、 延拓

第七章支持向量机及其 Python实现

1、SVM 的基本原理（什么是经验误差最小和结构误差 最小？SVM 的本质是解决什么问题？SVM 的四种典型 结构是什么？核函数的作用是什么？什么是支持向 量？） 2、SVM 扩展知识（如何解决多分类问题？SVM 除了 建模型之外，还可以帮助我们做哪些事情？） 3、SVM 的 Python 代码实现 4、案例实践一：乳腺癌肿瘤诊断 5、案例实践二：混凝土强度预测

16:30 – 18:00

理论讲解与案 例演示 实操练习 知识点总结、 延拓 课堂讨论

第八章 决策树、随机森林（组合学习）及其Python实现

1、决策树的基本原理（微软小冰读心术的启示；什么 是信息熵和信息增益？ID3 算法和 C4.5 算法的区别与 联系） 2、随机森林的基本原理（为什么需要随机森林算法？广义与狭义意义下的“随机森林”分别指的是什么？“随机” 提现在哪些地方？随机森林的本质是什么？） 3、决策树、随机森林（组合学习）的 Python 代码实现 4、案例实践：乳腺癌肿瘤诊断 5、知识扩展：决策树除了建模型之外，还可以帮我们 做什么事情？怎样解读随机森林的结果？

Day3

08:00 – 09:00

理论讲解与案 例演示 实操练习 知识点总结、 延拓 课堂讨论

第九章 遗传算法及其Python 实现

1、遗传算法（Genetic Algorithm, GA）的基本原理（以 遗传算法为代表的群优化算法的基本思想是什么？） 2、遗传算法的 Python 代码实现 3、案例实践一：一元函数的寻优计算（极大值与极小 值） 4、案例实践二：离散变量的寻优计算（基于遗传算法 的特征变量筛选）

09:00 – 10:00

理论讲解与案 例演示 实操练习 知识点总结、 延拓 课堂讨论

第十章变量降维与特征选择

1、变量降维与特征选择在概念上的区分 2、主成分分析（PCA）、偏最小二乘（PLS）的基本原 理（PCA 与 PLS 的区别与联系；PCA 除了降维之外， 还可以帮助我们做什么？） 3、常见的特征选择方法（优化搜索、Filter 和 Wrapper 等；前向与后向选择法；区间法；无信息变量消除法等）

10:00 – 12:00

理论讲解与案 例演示 实操练习

第十一章 深度学习入门基础与卷积神经网 络

1、深度学习与传统机器学习的区别与联系 2、Python 深度学习开源工具箱简介 3、卷积神经网络的基本原理（什么是卷积核？CNN 的 典型拓扑结构是怎样的？CNN 的权值共享机制是什 么？CNN 提取的特征是怎样的？） 4、LeNet、AlexNet、Vgg-16/19、GoogLeNet、ResNet 等典型深度神经网络的区别与联系解读 5、keras 案例演示

14:00 – 16:00

理论讲解与课 题讨论

第十二章 深度学习热门研究方向

1、迁移学习算法的基本原理（为什么需要迁移学习？为什么可以迁移学习？迁移学习的基本思想是什么？） 2、长短时记忆网络 LSTM 的基本工作原理 3、对抗生成网络 GAN（什么是对抗生成网络？为什么 需要对抗生成网络？对抗生成网络可以帮我们做什 么？） 4、专题讨论：数据 VS.模型，孰更重要？5、人工智能的未来发展趋势及研究热点分析

9 月 18 日之前报名并缴费

9 月 18 日之后报名并缴费

3900（A 类）元/人

4300（B 类）元/人

4300（A 类）元/人

4800（B 类）元/人