以下就是本次機(jī)器學(xué)習(xí)培訓(xùn)的內(nèi)容：

　　課程目標(biāo)：

　　課程對(duì)于初學(xué)者而言，適合如下目標(biāo)：

　　1)了解機(jī)器學(xué)習(xí)/深度學(xué)習(xí)的適用場(chǎng)景和基本原理(做不到掌握機(jī)器學(xué)習(xí)技術(shù)或者全面了解機(jī)器學(xué)習(xí)技術(shù)，只能是了解典型方法)

　　2)用兩三個(gè)典型的實(shí)驗(yàn)任務(wù)，讓學(xué)員直觀感受到：機(jī)器學(xué)習(xí)能解決什么問題，大概是個(gè)什么效果。實(shí)驗(yàn)任務(wù)均給定代碼，學(xué)員閱讀理解代碼、運(yùn)行任務(wù)、調(diào)試效果。

　　3)對(duì)于有編程基礎(chǔ)的學(xué)員：能夠用機(jī)器學(xué)習(xí)工具處理簡(jiǎn)單NLP任務(wù)

　　課程大綱：

?

　　機(jī)器學(xué)習(xí)的基本原理和典型模型介紹

　　1、機(jī)器學(xué)習(xí)簡(jiǎn)介

　　2、線性回歸模型和梯度下降法

　　3、最大熵模型

　　4、支持向量機(jī)模型

　　5、無監(jiān)督學(xué)習(xí)常用方法介紹

　　6、優(yōu)化技巧：正則化和降維問題

　　實(shí)驗(yàn)

　　1、實(shí)現(xiàn)梯度下降算法

　　2、分別使用線性回歸模型、最大熵模型解決垃圾郵件分類問題

　　3、無監(jiān)督學(xué)習(xí)解決文檔聚類問題，并從特征降維角度優(yōu)化效果和速度

　　深度學(xué)習(xí)基本原理和典型模型介紹

　　1、人工神經(jīng)網(wǎng)絡(luò)基本原理

　　2、NNLM和word2vec介紹

　　3、CNN原理及應(yīng)用

　　4、RNN原理及應(yīng)用

　　5、Gans原理及應(yīng)用

　　實(shí)驗(yàn)

　　1、教師提供語(yǔ)料，學(xué)員使用word2vec訓(xùn)練詞向量，并使用詞向量完成詞語(yǔ)相似度計(jì)算任務(wù)，觀察效果

　　2、安裝tensorflow，并運(yùn)行指定的樣例任務(wù)，修改關(guān)鍵參數(shù)，觀察效果變化

　　3、使用tensorflow實(shí)現(xiàn)一個(gè)簡(jiǎn)單的CNN網(wǎng)絡(luò)，在同樣的樣例上觀察效果