客服咨询

意见反馈

人工智能机器学习应用工程师(初级)
人工智能机器学习应用工程师/--/
0.0
65988
视频
40.7
课时
2000.00
介绍
目录

课程概述

机器学习是人工智能领域的核心技术,也是企业招聘需求最为旺盛的人工智能应用开发岗位之一。本课程定位于机器学习技术从入门到实践应用,以“任务案例驱动”的学习方式通过大量的经典案例帮助学员快速掌握监督学习、无监督学习、特征工程、模型评估与优化等机器学习领域重要的算法与工具,理解和掌握K-NN、线性回归、逻辑回归、决策树及集成算法、K-Means、Mean-shift、Birch、PCA、LDA等经典的分类、回归、聚类、降维算法的原理及建模使用过程,能够完成数据集的拆分、机器学习模型的构建、训练、评估与预测应用。

课程目标

考核评价

讲师介绍

详细介绍

学员须知

学员完成学习后,参加工业和信息化部教育与考试中心组织的统一考试,合格者将获得工信部教育与考试中心颁发的“职业能力证书”(电子版,可下载打印),纳入“工信部教育与考试中心技术技能人才数据库”,可在官网查询。优秀学员将有机会参加教育考试中心或课程项目方组织的主题会议、课程沙龙等活动,并享受就业服务指导及相关优秀企业推荐就业等服务。


课程定位

机器学习是人工智能的核心技术,相关人才缺口巨大,薪酬排名居于信息技术领域前列。本课程以“任务驱动”方式通过大量经典案例帮助学习者快速掌握监督学习、无监督学习、特征工程、模型评估与优化等机器学习经典算法与工具,包括K-NN、线性回归、逻辑回归、决策树及集成算法、K-Means、Mean-Shift、Birch、PCA、LDA等,深入掌握机器学习经典算法,快速积累案例实战经验。


培养对象

1.对机器学习技术感兴趣的政府及企、事业单位在职人员

2.院校相关专业在读学生

3.对机器学习技术感兴趣的其他人员


课程主要内容

收获一:Python核心编程快速入门

收获二:机器学习经典算法详解

收获三:快速积累算法实战经验


实战案例(部分)

123.png

“任务驱动式”课程组织

1234.png

12345.png



学习流程

123456.png


讲师介绍

蒋志杰:毕业于中国科技大学,原商汤算法工程师。参与的部分项目包括:北京市垃圾分类智能管理系统、国家基本农田三维影像智能判读系统(农业部智慧农业创新奖)、农机自动驾驶实时图像识别系统、古木影像自动识别监测保护平台等。 


陈石华:毕业于清华大学,原迅雷资深算法工程师。编著有《商业数据挖掘案例教程》、《精通Matplotlib数据可视化》等技术教材。参与的项目包括:多模态声纹识别检索系统、人体步伐步态识别系统、快客无人商超等,具有丰富的项目研发经验。 


翟健:阿里云高级技术专家,原TOM网技术总监。编著有《机器学习原理与实战》、《深度学习原理与实战》、《数据分析与可视化》等技术学习教程。擅长案例驱动式教学,注重目标和兴趣引导,累计发布人工智能相关实战学习视频超过300小时,广受欢迎。


课程支持:北京伟东凌鸿教育科技有限公司

联系方式:4008-555-686




人工智能行业综述
第一章 人工智能启蒙-第1节-初识人工智能

(2104s)

第二章 人工智能初探-第1节-行业应用案例

(895s)

第三章 人工智能基石-第1节-算力和大数据

(971s)

第三章 人工智能基石-第2节-算法

(865s)

第四章 人工智能核心技术-第1节-智能语音技术

(548s)

第四章 人工智能核心技术-第2节-自然语言处理NLP

(1236s)

第四章 人工智能核心技术-第3节-计算机视觉技术

(1311s)

第四章 人工智能核心技术-第4节-机器学习

(1087s)

第四章 人工智能核心技术-第5节-深度学习

(922s)

人工智能编程语言基础
第一章 语法基础-第1节-认识Python3及环境搭建

(869s)

第一章 语法基础-第2节-基本语法规则

(884s)

第一章 语法基础-第3节-基本数据类型

(646s)

第一章 语法基础-第4节-Python数字(Number)

(2157s)

第一章 语法基础-第5节-Python字符串(1)

(1844s)

第一章 语法基础-第5节-Python字符串(2)

(1320s)

第一章 语法基础-第6节-Python条件控制

(1712s)

第一章 语法基础-第7节-Python循环语句(1)

(1974s)

第一章 语法基础-第7节-Python循环语句(2)

(1905s)

第二章 数据结构-第1节-Python数据结构之列表(1)

(1595s)

第二章 数据结构-第1节-Python数据结构之列表(2)

(1747s)

第二章 数据结构-第2节-Python数据结构之元组

(1696s)

第二章 数据结构-第3节-Python数据结构之集合

(2020s)

第二章 数据结构-第4节-Python 数据结构之字典(1)

(1433s)

第二章 数据结构-第4节-Python 数据结构之字典(2)

(1614s)

第三章 语法进阶-第1节-Python函数(1)

(1103s)

第三章 语法进阶-第1节-Python函数(2)

(1346s)

第三章 语法进阶-第2节-Python模块(1)

(1135s)

第三章 语法进阶-第2节-Python模块(2)

(1342s)

第三章 语法进阶-第3节-Python文件访问及输入/输出(1)

(1212s)

第三章 语法进阶-第3节-Python文件访问及输入/输出(2)

(1106s)

第三章 语法进阶-第4节-Python错误和异常

(1857s)

第三章 语法进阶-第5节-Python面向对象(1)

(1641s)

第三章 语法进阶-第5节-Python面向对象(2)

(1744s)

第三章 语法进阶-第5节-Python面向对象(3)

(1361s)

第三章 语法进阶-第6节-Python对数据库的访问(1)

(1201s)

第三章 语法进阶-第6节-Python对数据库的访问(2)

(1068s)

机器学习原理与实战
第一章 机器学习概述-任务1-认识机器学习

(1394s)

第一章 机器学习概述-任务2-认识scikit-learn

(464s)

第一章 机器学习概述-任务3-安装python的anaconda发行版

(775s)

第一章 机器学习概述-任务4-掌握Jupyter Notebook的使用(1)

(983s)

第一章 机器学习概述-任务4-掌握Jupyter Notebook的使用(2)

(1082s)

第一章 机器学习概述-任务5-了解必要的Python库(1)

(1122s)

第一章 机器学习概述-任务5-了解必要的Python库(2)

(963s)

第一章 机器学习概述-任务6-构建第一个模型:鸢尾花(iris)分类1

(1861s)

第一章 机器学习概述-任务6-构建第一个模型:鸢尾花(iris)分类2

(1823s)

第一章 机器学习概述-任务6-构建第一个模型:鸢尾花(iris)分类3

(1551s)

第二章 监督学习-任务1-理解监督学习中的基本概念

(1232s)

第二章 监督学习-任务2-基于K-最近邻算法的红酒分类(1)

(1253s)

第二章 监督学习-任务2-基于K-最近邻算法的红酒分类(2)

(744s)

第二章 监督学习-任务3-基于线性回归的波士顿房价预测(1)

(903s)

第二章 监督学习-任务3-基于线性回归的波士顿房价预测(2)

(1704s)

第二章 监督学习-任务4-基于逻辑回归的乳腺癌预测

(1487s)

第二章 监督学习-任务5-基于决策树及随机森林的鲍鱼年龄预测(1)

(1027s)

第二章 监督学习-任务5-基于决策树及随机森林的鲍鱼年龄预测(2)

(1390s)

第二章 监督学习-任务6-基于支持向量机(SVM)的手写数字识别(1)

(659s)

第二章 监督学习-任务6-基于支持向量机(SVM)的手写数字识别(2)

(1247s)

第二章 监督学习-任务7-基于朴素贝叶斯分类器的钞票真伪判别

(1690s)

第三章 无监督学习-任务1-基于多种聚类算法实现鸢尾花聚类(1)

(1454s)

第三章 无监督学习-任务1-基于多种聚类算法实现鸢尾花聚类(2)

(1854s)

第三章 无监督学习-任务2-基于密度聚类DBSCAN的案例实践(1)

(1049s)

第三章 无监督学习-任务2-基于密度聚类DBSCAN的案例实践(2)

(1098s)

第三章 无监督学习-任务3-基于PCA与LDA算法的数据降维(1)

(1183s)

第三章 无监督学习-任务3-基于PCA与LDA算法的数据降维(2)

(981s)

第三章 无监督学习-任务4-基于LDA+SVM实现人脸识别模型

(1793s)

第三章 无监督学习-任务5-基于流形学习的数据降维与可视化

(1889s)

第四章 预处理与特征工程-任务1-应用数据缩放进行预处理

(1932s)

第四章 预处理与特征工程-任务2-使用独热编码处理离散特征(1)

(1008s)

第四章 预处理与特征工程-任务2-使用独热编码处理离散特征(2)

(1477s)

第四章 预处理与特征工程-任务3-增加多项式特征和交互特征(1)

(985s)

第四章 预处理与特征工程-任务3-增加多项式特征和交互特征(2)

(1428s)

第四章 预处理与特征工程-任务4-连续特征分箱离散化(1)

(892s)

第四章 预处理与特征工程-任务4-连续特征分箱离散化(2)

(1349s)

第四章 预处理与特征工程-任务5-自动化特征选择(1)

(1241s)

第四章 预处理与特征工程-任务5-自动化特征选择(2)

(1426s)

第四章 预处理与特征工程-任务6-缺失值处理与异常检测(1)

(1288s)

第四章 预处理与特征工程-任务6-缺失值处理与异常检测(2)

(1697s)

第五章 模型评估与优化-任务1-使用交叉验证评估模型

(1588s)

第五章 模型评估与优化-任务2-使用网格搜索自动调参(1)

(854s)

第五章 模型评估与优化-任务2-使用网格搜索自动调参(2)

(1240s)

第五章 模型评估与优化-任务3-掌握常用的模型评估指标(1)

(1997s)

第五章 模型评估与优化-任务3-掌握常用的模型评估指标(2)

(1793s)

第五章 模型评估与优化-任务4-使用Pipeline构建算法链

(1676s)

资源方logo

伟东云教育

4

门课

0

人报名学习