          Python基础及案例应用集训_高级培训

一
利用文本分析进行网络舆情分析
利用文本分析进行命名实体识别
——
文本分析简介及文本分析流程

中文分词方法

中文词性标注方法

关键词提取方法

命名实体识别

文本分析模型实作与比较: 以网络舆情分析模型及命名实体识别为例

二
利用文本分析进行新闻文件分类及新闻文件摘要
利用深度学习模型建置人脸识别及物体侦测模型
——
新闻文件分类方法

中文文本摘要方法

人脸识别及应用

OpenCV及Dlib简介

人脸侦测及人脸68个特征撷取

人脸识别(利用ResNet)

物体检测与定位及应用

目标检测技术概述

YOLOv3简介及COCO 数据集(80类people (人)，bicycle(自行车)，car(汽车)...等数据)

物体定位

物体检测

文本分析及深度学习模型实作与比较: 以新闻文件分类与摘要及人脸识别及物体侦测模型为例

三
利用半监督学习技术进行电信业客户流失模型的建置
利用深度学习技术进行信用卡盗刷预测模型建置
——
传统监督学习方法与非监督学习方法

半监督学习方法概述

半监督学习模型实作与比较: 以电信业客户流失模型为例

智能反欺诈概述

反欺诈手法

机器学习方法

深度学习方法

深度学习模型实作与比较: 以信用卡盗刷预测模型为例

四
以利润最大化为目标之产品营销模型的建置
利用集成学习建置小额信贷及信用风险预测模型
——
传统模型评估方法与利润最大化评估方法

增益图与利润图

利润最大化模型实作与比较: 以产品营销模型为例

传统学习与集成学习

集成学习的分类：模型融合与机器学习元算法

模型融合模型建置(多数法(Max Voting)、平均法(Averaging)、

加权平均法(Weighted Averaging)、堆叠法(Stacking)、混合法(Blending))

机器学习元算法模型建置(袋装法(Bagging)、袋装通用法(Bagging meta-estimator)、随机森林(Random Forest)、

提升法(Boosting)、Adaboosting算法、Gradient Boosting算法、XGBoosting算法)