人工智能應(yīng)用深度培訓(xùn)

第 一篇：機(jī)器學(xué)習(xí)

一、大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)、人工智能及深度學(xué)習(xí)

二、機(jī)器學(xué)習(xí)的基本任務(wù)

三、如何選擇合適算法

四、Spark在機(jī)器學(xué)習(xí)方面的優(yōu)勢(shì)

大數(shù)據(jù)分析與機(jī)器學(xué)習(xí)、人工智能及深度學(xué)習(xí)

第二篇：機(jī)器學(xué)習(xí)系統(tǒng)架構(gòu)

一、機(jī)器學(xué)習(xí)系統(tǒng)架構(gòu)

二、構(gòu)建Spark機(jī)器學(xué)習(xí)系統(tǒng)

三、特征提取、轉(zhuǎn)換和選擇

四、模型選擇或調(diào)優(yōu)

五、ML Pipelines

案例研討：機(jī)器學(xué)習(xí)系統(tǒng)架構(gòu)

第三篇：大數(shù)據(jù)分析Spark MLlib

一、Spark MLlib架構(gòu)

二、數(shù)據(jù)類型

三、基礎(chǔ)統(tǒng)計(jì)

四、構(gòu)建Spark ML推薦模型

五、構(gòu)建Spark ML分類模型

案例研討：

Spark ML機(jī)器學(xué)習(xí)

第四篇：大數(shù)據(jù)分析Spark接口

大數(shù)據(jù)分析Spark接口

一、R數(shù)據(jù)分析

二、Spark R簡(jiǎn)介

三、pyspark 簡(jiǎn)介

四、SparkDataFrame數(shù)據(jù)結(jié)構(gòu)說(shuō)明

五、Spark Streaming簡(jiǎn)介

Pyspark進(jìn)行深度學(xué)習(xí)

第五篇 ：深度學(xué)習(xí)

一、深度學(xué)習(xí)與TensorFlow簡(jiǎn)介

二、TensorFlowOnSpark簡(jiǎn)介

三、卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

四、TensorFlow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)

五、循環(huán)神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

六、TensorFlow實(shí)現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)

七、在Pyspark集群環(huán)境運(yùn)行TensorFlow

大數(shù)據(jù)分析與深度學(xué)習(xí)關(guān)系？

第六篇：深度學(xué)習(xí)與人工智能

一、人工智能簡(jiǎn)介

二、深度學(xué)習(xí)與智能客服

三、深度學(xué)習(xí)與無(wú)人駕駛

四、深度學(xué)習(xí)與人臉識(shí)別

五、深度學(xué)習(xí)高級(jí)應(yīng)用案例